【pyecharts

#【pyecharts | 来源: 网络整理| 查看: 265

前言

最近微信上经常有小伙伴问到pyecharts颜色配置的问题，其实pyecharts颜色配置很简单，不过由于可以配置的方式有点多，经常让人混淆，所以本文汇总一下在pyecharts中可以配置的颜色的方法，简单做个对比！

本文notebook版本链接：【pyecharts】颜色配置方法对比

准备工作模块导入 from pyecharts.charts import * from pyecharts import options as opts 示例数据 # 虚假数据 x_data = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu'] y_data_1 = [123, 153, 89, 107, 98, 23] y_data_2 = [32, 213, 60, 167, 142, 45] 默认效果

当我们没做任何设置时，颜色如下。

bar = Bar() bar.add_xaxis( x_data ) bar.add_yaxis( '系列1', y_data_1, ) bar.add_yaxis( '系列2', y_data_2, ) bar.render_notebook()

在这里插入图片描述 pyecharts会有一个默认「颜色池」（我们姑且这么称呼），可以通过语句print(chart.options['color'])打印出来。

当我们添加多个系列的数据并且没有任何设置颜色的时候，便会依次从这个「颜色池」中拾取颜色。

比如我们刚刚的bar的「颜色池」：

系列1的颜色便是bar.options['color']中的第一个颜色； Image Name

系列2的颜色便是bar.options['color']中的第二个颜色； Image Name

print(bar.options['color']) """打印结果： ['#c23531', '#2f4554', '#61a0a8', '#d48265', '#749f83', '#ca8622', '#bda29a', '#6e7074', '#546570', '#c4ccd3', '#f05b72', '#ef5b9c', '#f47920', '#905a3d', '#fab27b', '#2a5caa', '#444693', '#726930', '#b2d235', '#6d8346', '#ac6767', '#1d953f', '#6950a1', '#918597'] """ 直角坐标系设置系列颜色

直角坐标系设置一个系列的颜色很简单，在.add_yaxis()通过color参数可以直接设置，我们可以使用颜色格式由如下四种：

常见的颜色可以直接通过yellow，red等英文设置：color='red'；

RGB格式：color='rgb(199, 0, 0)'；

RGBA格式，最后一个值为颜色透明度：color='rgb(199, 0, 0，0.2)'；

十六进制颜色码：color='#61a0a8'；

示例 bar = Bar() bar.add_xaxis( x_data ) bar.add_yaxis( '', y_data_1, color='red' ) bar.add_yaxis( '', y_data_2, color='rgb(199, 0, 0, 0.2)' ) bar.render_notebook()

在这里插入图片描述

我们同样打印bar.options['color']：

print(bar.options['color']) """打印结果 ['rgb(199, 0, 0, 0.2)', 'red', '#c23531', '#2f4554', '#61a0a8', '#d48265', '#749f83', '#ca8622', '#bda29a', '#6e7074', '#546570', '#c4ccd3', '#f05b72', '#ef5b9c', '#f47920', '#905a3d', '#fab27b', '#2a5caa', '#444693', '#726930', '#b2d235', '#6d8346', '#ac6767', '#1d953f', '#6950a1', '#918597'] """

可以看到我们在.add_yaxis()设置的颜色都是插入到这个list之中。

但是当我们使用组合图表（通过Grid或者overlap）的时候，这个方法可能就「失效」了。

overlap错误配置示范 bar_1 = Bar() bar_1.add_xaxis( x_data ) bar_1.add_yaxis( '系列1', y_data_1, color='red' ) bar_2 = Bar() bar_2.add_xaxis( x_data ) bar_2.add_yaxis( '系列2', y_data_2, color='rgb(199, 0, 0, 0.2)' ) bar_1.overlap(bar_2) bar_1.render_notebook()

在这里插入图片描述

grid错误配置示范 bar_1 = Bar() bar_1.add_xaxis( x_data ) bar_1.add_yaxis( '系列1', y_data_1, color='red' ) bar_2 = Bar() bar_2.add_xaxis( x_data ) bar_2.add_yaxis( '系列2', y_data_2, color='rgb(199, 0, 0, 0.2)' ) grid = Grid() grid.add(bar_1, grid_index=0, grid_opts=opts.GridOpts(pos_right="5%", pos_left="55%")) grid.add(bar_2, grid_index=1, grid_opts=opts.GridOpts(pos_right="55%", pos_left="5%")) grid.render_notebook()

在这里插入图片描述

因为组合图表相当于是两个图表实例组合成一个图表实例，不管是通过Grid还是overlap，所以他只会保留一个图表实例中的配置。

比如：

a.overlap(b)最后的效果是a和b都使用a实例的配置；grid.add(a).add(b)最后的效果是a和b都适用a实例的配置；

所以便会出现在对b表设置了颜色在最后组合图表时却不见效果；

要避免组合图表时颜色配置失效的话需要通过itemstyle_opts来进行配置。

overlap正确配置示范 bar_1 = Bar() bar_1.add_xaxis( x_data ) bar_1.add_yaxis( '系列1', y_data_1, itemstyle_opts=opts.ItemStyleOpts(color='red') ) bar_2 = Bar() bar_2.add_xaxis( x_data ) bar_2.add_yaxis( '系列2', y_data_2, itemstyle_opts=opts.ItemStyleOpts(color='rgb(199, 0, 0, 0.2)') ) bar_1.overlap(bar_2) bar_1.render_notebook()

在这里插入图片描述

grid正确配置示范 bar_1 = Bar() bar_1.add_xaxis( x_data ) bar_1.add_yaxis( '系列1', y_data_1, itemstyle_opts=opts.ItemStyleOpts(color='red') ) bar_2 = Bar() bar_2.add_xaxis( x_data ) bar_2.add_yaxis( '系列2', y_data_2, itemstyle_opts=opts.ItemStyleOpts(color='rgb(199, 0, 0, 0.2)') ) grid = Grid() grid.add(bar_1, grid_index=0, grid_opts=opts.GridOpts(pos_right="5%", pos_left="55%")) grid.add(bar_2, grid_index=1, grid_opts=opts.GridOpts(pos_right="55%", pos_left="5%")) grid.render_notebook()

在这里插入图片描述

其他图表

如果是其他图表便没法像直角坐标系直接通过color参数来设置了。

提供两种方法来快速设置颜色。

.set_colors()

.set_colors()相当于将chart.options['color']的值进行了更新；

pie = Pie() pie.add( '', [list(z) for z in zip(x_data, y_data_1)], ) pie.set_colors(['red', 'blue', 'black', 'green', 'orange', 'yellow']) pie.render_notebook()

在这里插入图片描述

print(pie.options['color']) """ ['red', 'blue', 'black', 'green', 'orange', 'yellow'] """ 通过chartItem进行配置；饼图 data_pair = [] for k, v, c in zip(x_data, y_data_1, ['red', 'blue', 'black', 'green', 'orange', 'yellow']): data_pair.append(opts.PieItem( name=k, value=v, itemstyle_opts=opts.ItemStyleOpts(color=c) )) pie = Pie() pie.add( '', data_pair, ) pie.render_notebook()

在这里插入图片描述

直方图

这种方法对于直角坐标系同样适用，可以针对单一数据项进行风格配置，不仅仅只是颜色。

data_pair = [] for k, v, c in zip(x_data, y_data_1, ['red', 'blue', 'black', 'green', 'orange', 'yellow']): data_pair.append( opts.BarItem( name=k, value=v, itemstyle_opts=opts.ItemStyleOpts(color=c) )) bar = Bar() bar.add_xaxis( x_data ) bar.add_yaxis( '系列1', data_pair, itemstyle_opts=opts.ItemStyleOpts(color='red') ) bar.render_notebook()

在这里插入图片描述

通过视觉组件进行配置

除了以上的方法，我们还可以通过视觉组件来进行颜色配置；

视觉组件是根据每个数据项的值映射一个颜色。

默认是渐变配色 bar = Bar() bar.add_xaxis( x_data ) bar.add_yaxis( '', y_data_1, ) bar.add_yaxis( '', y_data_2, ) bar.set_global_opts( visualmap_opts=opts.VisualMapOpts( is_show=True, min_=50, max_=200, range_color=['green', 'yellow', 'red']) ) bar.render_notebook()

在这里插入图片描述

颜色分段，譬如我们可以设置当值大于等于100时显示红色，小于100时显示橙色； bar = Bar() bar.add_xaxis( x_data ) bar.add_yaxis( '', y_data_1, ) bar.add_yaxis( '', y_data_2, ) bar.set_global_opts( visualmap_opts=opts.VisualMapOpts( is_show=True, is_piecewise=True, # 颜色分段 pieces=[ {"min": 100, "color": 'red'}, {"max":100, "color": 'orange'} ] ) ) bar.render_notebook()

在这里插入图片描述

总结

全文提供了5种方法实现颜色的配置：

直角坐标系图表可通过.add_yaxis()方法中的color参数进行设置；

通过.set_color()方法进行全局的颜色更新；

通过系列配置项itemstyle_opts进行颜色配置；

通过chartItem进行单个数据项的颜色配置；

通过视觉组件visualmap_opts根据数据项的数值大小进行颜色配置；

当以上方法同时存在时，作用的优先级为 5 > 4=3 > 2=1;

【本文地址】

公司简介

联系我们