Pyecharts之散点图的视觉扩展
在数据可视化中,散点图是一种强大的工具,可用于展示数据点在二维平面上的分布情况。通过添加各种视觉组件,我们可以让散点图变得更加丰富和具有表现力,更能反映数据的多维度特征。本文将详细解读如何为散点图添加不同的视觉组件,包括根据数据大小映射图形大小、同时映射图形大小和颜色,以及综合运用大小、颜色和透明度等多维度的视觉组件。
一、散点图添加视觉组件(大小)
以下是 scatter_with_visualmap_size()
函数的代码,它展示了如何为散点图添加根据数据大小映射图形大小的视觉组件:
from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.faker import Fakerdef scatter_with_visualmap_size():scatter = Scatter(init_opts=opts.InitOpts(theme='light',width='1000px',height='600px'))scatter.add_xaxis(Faker.choose())scatter.add_yaxis('', Faker.values())# 设置视觉组件scatter.set_global_opts(visualmap_opts=opts.VisualMapOpts(type_='size'))return scatterchart = scatter_with_visualmap_size()
chart.render_notebook()
代码解释:
- 首先,我们导入了所需的模块,包括
Scatter
类、options
模块和Faker
模块。 - 创建
Scatter
实例scatter
,并使用init_opts
设置主题、宽度和高度,使图表更具美感和合适的尺寸。 - 使用
Faker.choose()
为x
轴生成一些假数据,Faker.values()
为y
轴生成一些数据。 - 在
set_global_opts
方法中,通过visualmap_opts
启用视觉映射,将type_
设置为size
。这意味着散点的大小将根据数据的大小进行映射,不过这里的数据大小是根据y
轴的数据默认进行映射,因为没有明确指定dimension
参数。
通过这个简单的设置,我们可以直观地看到散点的大小反映了数据的某种特征,从而让用户能快速分辨不同数据点在大小维度上的差异。
二、散点图添加视觉组件(大小与颜色)
scatter_with_visualmap_color_size()
函数展示了如何同时根据数据大小和另一维度映射图形大小与颜色:
from pyecharts.charts import *
from pyecharts import options as opts
import randomx_data = [random.randint(0, 100) for _ in range(30)]
y_data = [(random.randint(0, 100), random.randint(0, 100), random.randint(0, 100)) for _ in range(30)]def scatter_with_visualmap_color_size():scatter = Scatter(init_opts=opts.InitOpts(theme='light',width='1000px',height='600px'))scatter.add_xaxis(x_data)scatter.add_yaxis('', y_data)# 多个映射维度通过 list 形式传入# dimension 指定数据维度scatter.set_global_opts(visualmap_opts=[opts.VisualMapOpts(is_show=True, type_='size', dimension=2, pos_top='20%'),opts.VisualMapOpts(is_show=True, type_='color', dimension=3, pos_top='60%')],xaxis_opts=opts.AxisOpts(type_="value"))return scatterchart = scatter_with_visualmap_color_size()
chart.render_notebook()
代码解释:
- 导入所需模块,并使用
random
模块生成随机数据。 - 创建
Scatter
实例,设置初始化选项。 - 为
x
轴添加x_data
,为y
轴添加y_data
。这里y_data
中的元素是元组,包含多个维度的数据。 - 在
set_global_opts
中,使用visualmap_opts
列表添加两个视觉映射组件:- 第一个
opts.VisualMapOpts
中,type_='size'
且dimension=2
,表示根据y_data
元组中第二个元素的大小来映射散点的大小,pos_top='20%'
控制该视觉映射组件在图表中的垂直位置。 - 第二个
opts.VisualMapOpts
中,type_='color'
且dimension=3
,表示根据y_data
元组中第三个元素的大小来映射散点的颜色,pos_top='60%'
控制该视觉映射组件在图表中的位置。
- 第一个
通过这种方式,我们可以同时观察到散点的大小和颜色随着数据的不同维度发生变化,从两个维度为用户提供更多的数据信息。
三、散点图添加视觉组件(大小、颜色与透明度)
scatter_with_visualmap_color_size_opacity()
函数则展示了散点图多维度视觉组件的综合应用:
from pyecharts.charts import *
from pyecharts import options as opts
import randomx_data = [random.randint(0, 100) for _ in range(30)]
y_data = [(random.randint(0, 100), random.randint(0, 100), random.randint(0, 100), random.randint(0, 100))for _ in range(30)]def scatter_with_visualmap_color_size_opacity():scatter = Scatter(init_opts=opts.InitOpts(theme='light',width='1000px',height='600px'))scatter.add_xaxis(x_data)scatter.add_yaxis('', y_data)# 多个映射维度通过 list 形式传入# dimension 制定数据维度scatter.set_global_opts(visualmap_opts=[opts.VisualMapOpts(is_show=True, type_='size', dimension=2, pos_top='10%'),opts.VisualMapOpts(is_show=True, type_='color', dimension=3, pos_top='40%'),opts.VisualMapOpts(is_show=True, type_='opacity', dimension=4,# VisualMapOpt 中对于 range_opacity 没给默认值,需要自行设定range_opacity=[0.2, 1], pos_top='70%')],xaxis_opts=opts.AxisOpts(type_="value"))return scatterchart = scatter_with_visualmap_color_size_opacity()
chart.render_notebook()
代码解释:
- 同样导入所需模块并生成随机数据。
- 创建
Scatter
实例并设置初始化选项。 - 在
set_global_opts
中使用visualmap_opts
列表添加三个视觉映射组件:- 第一个
opts.VisualMapOpts
用于根据y_data
元组中第二个元素的大小映射散点的大小。 - 第二个
opts.VisualMapOpts
用于根据y_data
元组中第三个元素的大小映射散点的颜色。 - 第三个
opts.VisualMapOpts
用于根据y_data
元组中第四个元素的大小映射散点的透明度,这里使用range_opacity=[0.2, 1]
来指定透明度的范围,因为range_opacity
在VisualMapOpts
中没有默认值,需要手动设置。
- 第一个
这个函数通过添加三个视觉组件,实现了从大小、颜色和透明度三个维度对散点图的扩展,使用户可以从多个维度观察数据的特征,更全面地展示数据信息。
相关文章:

Pyecharts之散点图的视觉扩展
在数据可视化中,散点图是一种强大的工具,可用于展示数据点在二维平面上的分布情况。通过添加各种视觉组件,我们可以让散点图变得更加丰富和具有表现力,更能反映数据的多维度特征。本文将详细解读如何为散点图添加不同的视觉组件&a…...
Java学习教程,从入门到精通,JDBC删除数据库语法知识点(101)
一、JDBC删除数据库语法知识点 1. 概述 JDBC(Java Database Connectivity)是Java语言中用来规范客户端程序如何来访问数据库的应用程序接口,提供了诸如查询和更新数据库中数据的方法。 在JDBC中,删除数据库的操作主要是通过执行…...

Baklib如何推动企业知识管理的创新与转型探讨
内容概要 在当今快速发展的数字化时代,企业需要不断适应变化,以保持竞争优势。Baklib作为一款企业知识管理中台,扮演着推动数字化转型的重要角色。它通过提供一个集成的知识管理平台,帮助企业高效管理和共享内部及外部的知识资源…...

【算法】递归型枚举与回溯剪枝初识
递归型枚举与回溯剪枝初识 1.枚举子集2.组合型枚举3.枚举排列4.全排列问题 什么是搜索?搜索,是一种枚举,通过穷举所有的情况来找到最优解,或者统计合法解的个数。因此,搜索有时候也叫作暴搜。搜索一般分为深度优先搜索…...

无人机 PX4 飞控 | PX4源码添加自定义参数方法并用QGC显示与调整
无人机 PX4 飞控 | PX4源码添加自定义参数方法并用QGC显示与调整 0 前言 之前文章添加了一个自定义的模块,本篇文章在之前的自定义模块中,添加两个自定义参数 使用QGC显示出来,并通过QGC调整参数值,代码实现参数更新 新增的参…...
《CPython Internals》阅读笔记:p356-p359
《CPython Internals》学习第 19天,p356-p359 总结,总计 4 页。 一、技术总结 1.benchmark suite The benchmark suite is the tool to use when comparing the complete performance of Python. The Python Benchmark suite is a collection of Pyth…...
Linux--权限
Linux系统的权限管理是保障系统安全的重要机制,以下详细讲解权限相关概念及操作指令: 一、基础权限机制 1. 权限的三元组,读(r)、写(w)、执行(x) 每个文件或目录有三组…...

java后端之登录认证
基础登录功能:根据提供的用户名和密码判断是否存在于数据库 LoginController.java RestController Slf4j public class LoginController {Autowiredprivate UserService userService;PostMapping("/login")public Result login(RequestBody User user) {…...

【矩阵二分】力扣378. 有序矩阵中第 K 小的元素
给你一个 n x n 矩阵 matrix ,其中每行和每列元素均按升序排序,找到矩阵中第 k 小的元素。 请注意,它是 排序后 的第 k 小元素,而不是第 k 个 不同 的元素。 你必须找到一个内存复杂度优于 O(n2) 的解决方案。 示例 1࿱…...

C语言-构造数据类型
1、构造数据类型 结构体、共用体、枚举。 2、结构体 1、结构体的定义 结构体是一个自定义的复合数据类型,它允许将不同类型的数据组合在一起。 struct 结构体名 {数据类型1 成员变量1;数据类型2 成员变量2;数据类型3 成员变量3;数据类型4 成员变量4; } 2、结构体变…...
鸿蒙next 自定义日历组件
效果图预览 20250124-113957 使用说明 1.选择日期左右箭头,实现每月日历切换,示例中超出当前月份,禁止进入下一月,可在代码更改 2.日历中显示当前选择的日期,选中的日期颜色可自定义 3.日历中可展示历史记录作为数据…...

【express-generator】08-路由重定向
前言 通过前面两篇文章的讲解,我们已经介绍完第二阶段的前两点,本篇介绍第三点:路由重定向。 1. 路由重定向概述 路由重定向是指在服务器端将客户端的请求从一个 URL 重定向到另一个 URL 的过程。这通常通过 HTTP 状态码(如 30…...

搭建Spring Boot开发环境
JDK(1.8及以上版本) Apache Maven 3.6.0 修改settings.xml 设置本地仓库位置 <localRepository>D:/repository</localRepository> 设置远程仓库镜像 <mirror><id>alimaven</id><name>aliyun maven</name&…...

Spatial Group-wise Enhance (SGE) module
来源: [1905.09646] Spatial Group-wise Enhance: Improving Semantic Feature Learning in Convolutional Networks 相关工作: #GroupedFeatures #AttentionModels 创新点: 贡献: 提出了一种轻量级的SGE模块,能够…...
二叉搜索树中的搜索(力扣700)
首先介绍一下什么是二叉搜索树。 二叉搜索树是一个有序树: 若它的左子树不空,则左子树上所有结点的值均小于它的根结点的值;若它的右子树不空,则右子树上所有结点的值均大于它的根结点的值;它的左、右子树也分别为二叉…...

记录让cursor帮我给ruoyi-vue后台管理项目整合mybatis-plus
自己整合过程中会出现 work.web.exception.GlobalExceptionHandler :100 | 请求地址/admin/device/install/detail/1,发生未知异常. org.apache.ibatis.binding.BindingException: Invalid bound statement (not found): com.fire.mapper.DeviceInstallMapper.selectById at o…...

【可实战】Linux 系统扫盲、 Shell扫盲(如何写一个简单的shell脚本)
一、Linux系统扫盲 1.Linux 能运行主要的 UNIX 工具软件、应用程序和网络协议 2.Linux 的发行版说简单点就是将 Linux 内核与应用软件做一个打包。 目前市面上较知名的发行版有:Ubuntu、RedHat、CentOS、Debian、Fedora、SuSE、OpenSUSE、Arch Linux、SolusOS 等…...
sqlzoo答案4:SELECT within SELECT Tutorial
sql练习:SELECT within SELECT Tutorial - SQLZoo world表: namecontinentareapopulationgdpAfghanistanAsia6522302550010020343000000AlbaniaEurope28748283174112960000000AlgeriaAfrica238174137100000188681000000AndorraEurope46878115371200000…...
【fly-iot飞凡物联】(20):2025年总体规划,把物联网整套技术方案和实现并落地,完成项目开发和课程录制。
前言 fly-iot飞凡物联专栏: https://blog.csdn.net/freewebsys/category_12219758.html 1,开源项目地址进行项目开发 https://gitee.com/fly-iot/fly-iot-platform 完成项目开发,接口开发。 把相关内容总结成文档,并录制课程。…...
Lucene常用的字段类型lucene检索打分原理
在 Apache Lucene 中,Field 类是文档中存储数据的基础。不同类型的 Field 用于存储不同类型的数据(如文本、数字、二进制数据等)。以下是一些常用的 Field 类型及其底层存储结构: TextField: 用途:用于存储…...

业务系统对接大模型的基础方案:架构设计与关键步骤
业务系统对接大模型:架构设计与关键步骤 在当今数字化转型的浪潮中,大语言模型(LLM)已成为企业提升业务效率和创新能力的关键技术之一。将大模型集成到业务系统中,不仅可以优化用户体验,还能为业务决策提供…...

python打卡day49
知识点回顾: 通道注意力模块复习空间注意力模块CBAM的定义 作业:尝试对今天的模型检查参数数目,并用tensorboard查看训练过程 import torch import torch.nn as nn# 定义通道注意力 class ChannelAttention(nn.Module):def __init__(self,…...

边缘计算医疗风险自查APP开发方案
核心目标:在便携设备(智能手表/家用检测仪)部署轻量化疾病预测模型,实现低延迟、隐私安全的实时健康风险评估。 一、技术架构设计 #mermaid-svg-iuNaeeLK2YoFKfao {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg…...
【Java学习笔记】Arrays类
Arrays 类 1. 导入包:import java.util.Arrays 2. 常用方法一览表 方法描述Arrays.toString()返回数组的字符串形式Arrays.sort()排序(自然排序和定制排序)Arrays.binarySearch()通过二分搜索法进行查找(前提:数组是…...
Cesium1.95中高性能加载1500个点
一、基本方式: 图标使用.png比.svg性能要好 <template><div id"cesiumContainer"></div><div class"toolbar"><button id"resetButton">重新生成点</button><span id"countDisplay&qu…...

376. Wiggle Subsequence
376. Wiggle Subsequence 代码 class Solution { public:int wiggleMaxLength(vector<int>& nums) {int n nums.size();int res 1;int prediff 0;int curdiff 0;for(int i 0;i < n-1;i){curdiff nums[i1] - nums[i];if( (prediff > 0 && curdif…...

微信小程序 - 手机震动
一、界面 <button type"primary" bindtap"shortVibrate">短震动</button> <button type"primary" bindtap"longVibrate">长震动</button> 二、js逻辑代码 注:文档 https://developers.weixin.qq…...
根据万维钢·精英日课6的内容,使用AI(2025)可以参考以下方法:
根据万维钢精英日课6的内容,使用AI(2025)可以参考以下方法: 四个洞见 模型已经比人聪明:以ChatGPT o3为代表的AI非常强大,能运用高级理论解释道理、引用最新学术论文,生成对顶尖科学家都有用的…...
Redis的发布订阅模式与专业的 MQ(如 Kafka, RabbitMQ)相比,优缺点是什么?适用于哪些场景?
Redis 的发布订阅(Pub/Sub)模式与专业的 MQ(Message Queue)如 Kafka、RabbitMQ 进行比较,核心的权衡点在于:简单与速度 vs. 可靠与功能。 下面我们详细展开对比。 Redis Pub/Sub 的核心特点 它是一个发后…...
Fabric V2.5 通用溯源系统——增加图片上传与下载功能
fabric-trace项目在发布一年后,部署量已突破1000次,为支持更多场景,现新增支持图片信息上链,本文对图片上传、下载功能代码进行梳理,包含智能合约、后端、前端部分。 一、智能合约修改 为了增加图片信息上链溯源,需要对底层数据结构进行修改,在此对智能合约中的农产品数…...