Python制作数据可视化大屏(二)

简介: Python制作数据可视化大屏

Python制作数据可视化大屏(一)+https://developer.aliyun.com/article/1506506

9 模块拼接保存

  运行程序:

page = Page() 
page.add(
         tab0("2021级","#2CB34A"), 
         bar(),
         tab1("人工智能学院食堂就餐消费驾驶舱","#2CB34A"),
         gau(),
         radius(),
         funnel(),
         line(),
         bar2(),
         tab2("学生消费位置情况","black")
         )
page.render("D:\\驾驶舱\\驾驶舱3.html")

  运行结果:

10 页面布局优化

  运行程序:

##对页面布局
#divs[0][“style”] = “width:10%;height:10%;position:absolute;top:0;left:2%;” 即是我们对Part0的宽度、高度、位置、上边距、左边距的定义,这里我们用百分比以达到屏幕自适应的效果
with open("D:\\驾驶舱\\驾驶舱3.html", "r+", encoding='utf-8') as html:
    html_bf = BeautifulSoup(html, 'lxml')
    divs = html_bf.select('.chart-container')
    divs[0]["style"] = "width:10%;height:10%;position:absolute;top:0;left:2%;"
    divs[1]["style"] = "width:40%;height:40%;position:absolute;top:12%;left:0;"  
    divs[2]["style"] = "width:35%;height:10%;position:absolute;top:2%;left:30%;"
    divs[3]["style"] = "width:40%;height:40%;position:absolute;top:10%;left:28%;"
    divs[4]["style"] = "width:40%;height:35%;position:absolute;top:12%;left:55%;"
    divs[5]["style"] = "width:30%;height:35%;position:absolute;top:60%;left:2%;"
    divs[6]["style"] = "width:40%;height:50%;position:absolute;top:50%;left:30%;"
    divs[7]["style"] = "width:35%;height:40%;position:absolute;top:50%;left:65%;"
    divs[8]["style"] = "width:10%;height:10%;position:absolute;top:47%;left:0%;"
    body = html_bf.find("body")
    body["style"] = "background-image:url(背景1.jpg)"  # 更换背景
    html_new = str(html_bf)
    html.seek(0, 0)
    html.truncate()
    html.write(html_new)

  运行结果:

11 完整代码

# -*- coding: utf-8 -*-
"""
Created on Thu Dec 15 08:36:32 2022
"""
import pandas as pd
import pmdarima as pm
from pandas import DataFrame
import warnings
warnings.filterwarnings('ignore')
from pyecharts import options as opts
from pyecharts.charts import Bar,Gauge,Pie,Page,Funnel
from bs4 import BeautifulSoup
##预测
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
from pyecharts.charts import Line
data = pd.read_excel(r'D:\\代做项目\\驾驶舱\\2021级人工智能食堂就餐消费明细.xlsx',sheet_name=0)
##共26077条数据
##图1数据
score_list =data['交易金额']
print(score_list)
# 指定多个区间
bins = [-100, 0, 10,20,60, 100, 200]
score_cut = pd.cut(score_list, bins)
print(type(score_cut)) # <class 'pandas.core.arrays.categorical.Categorical'>
print(score_cut)
print(pd.value_counts(score_cut)) # 统计每个区间人数
bar1=DataFrame(pd.value_counts(score_cut))
# 条形图  
def bar():
    #柱状图
    cate = ['充值', '0-10元', '10-20元', '20-60元', '60-100元', '大于100元']
    c = (
    Bar()
    .add_xaxis(cate)
    .add_yaxis("交易人次:人",[84, 16659, 8462, 852, 14, 6])
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        title_opts=opts.TitleOpts(title="学生交易金额情况")
    )
    )
    return c
def tab0(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=20))))
    return c
def tab1(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=25))))
    return c
def tab2(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=17.5))))
    return c
def gau():#仪表图
    c = (
        Gauge(init_opts=opts.InitOpts(width="400px", height="400px"))
            .add(series_name="交易成功率", data_pair=[["", 100]])
            .set_global_opts(
            legend_opts=opts.LegendOpts(is_show=False),
            tooltip_opts=opts.TooltipOpts(is_show=True, formatter="{a} <br/>{b} : {c}%"),
            
        )
        .set_global_opts(
        title_opts=opts.TitleOpts(title="交易成功率"),
        legend_opts=opts.LegendOpts(is_show=False),
    )
            #.render("gauge.html")
    )
    return c
df1=pd.DataFrame(data.groupby('交易描述').count())
df1.iloc[:,0]
def radius():
    cate = ['IC卡消费', 'dmt', '业务操作', '支付码消费']
    data = [11584, 2, 81,14410]
    c = (
    Pie()
    .add(
        "",
        [
            list(z)
            for z in zip(
                cate,
                data,
            )
        ],
        radius=["30%", "75%"],
        rosetype="radius"
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="交易类型占比"),
        legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
    return c
data1=data
data1['终端名称']=data1['终端名称'].apply(lambda x:x[0:4]).tolist()
df2=pd.DataFrame(data1.groupby('终端名称').count())
df2.iloc[:,0]
def funnel():
    cate = ['学二食堂', '管理中心', '蜜雪冰城', '食堂1层', '食堂2层','食堂3层']
    data = [731, 83, 40, 18916, 5855,452]
    c = Funnel()
    c.add("用户数", [list(z) for z in zip(cate, data)], 
               sort_='ascending',
               label_opts=opts.LabelOpts(position="inside"))
    c.set_global_opts(title_opts=opts.TitleOpts(title=""))
    return c
##预测图
data1=data
data1['记账日期']=data1['记账日期'].astype('str')
data1['记账日期']=data1['记账日期'].apply(lambda x:x[0:6]).tolist()
data2=data1[['记账日期','交易金额']]
data2=pd.DataFrame(data2.groupby('记账日期').sum())
data3=data2.sort_index(axis=1)##根据索引列排序
#data3.to_excel('D:\\代做项目\\驾驶舱\\聚合数据.xlsx',index=True)#将数据文件中未存在的月份赋值为0
data4=pd.read_excel(r'D:\\代做项目\\驾驶舱\\聚合数据.xlsx',sheet_name=0)
data4.set_index('记账日期',inplace = True)
#plt.figure(figsize=(12,8))
#data4.plot()
adfuller(data4['交易金额'])
#非平稳差分
dta=pd.Series(data4['交易金额'])
dta.index = pd.Index(sm.tsa.datetools.dates_from_range('2020m9',length=15))
model = pm.auto_arima(dta, start_p=1, start_q=1,
                           max_p=8, max_q=8, m=1,
                           start_P=0, seasonal=False,
                           max_d=3, trace=True,
                           information_criterion='aic',
                           error_action='ignore',
                           suppress_warnings=True,
                           stepwise=False)
forecast = model.predict(3)#预测未来3个月的数据
print(forecast)
#为绘图的连续性把2090的值添加为PredicValue第一个元素
ser_df1=pd.DataFrame(dta).reset_index()
ser_df1.columns = ['记账日期','交易金额']
ser_df2=pd.DataFrame(forecast).reset_index()
ser_df2.columns = ['记账日期','交易金额']
ser_df3=pd.concat([ser_df1,ser_df2])
ser_df3['记账日期']=ser_df3['记账日期'].astype('str')
ser_df3['记账日期']=ser_df3['记账日期'].apply(lambda x:x[0:7]).tolist()
ser_df3['交易金额']=round(ser_df3['交易金额'],2)
ser_df4=[None,None,None,None,None,None,None,None,None,None,None,None,None,None,None]+list(ser_df3.交易金额)[15:18]
def line():
    c = (
        Line()
        .add_xaxis(list(ser_df3.记账日期))
        .add_yaxis('实际值',list(ser_df3.交易金额)[:15], is_smooth=True)
        .add_yaxis("预测值",ser_df4, is_smooth=True)
        .set_global_opts(title_opts=opts.TitleOpts(title="学生交易月度预测值"))
    )
    return c
##条形图
##条形图数据
score_list1 =data['可用余额(交易后)']
print(score_list1)
# 指定多个区间
bins1 = [-1000,0,50, 100,200,500, 1000]
score_cut1 = pd.cut(score_list1, bins1)
print(type(score_cut1)) # <class 'pandas.core.arrays.categorical.Categorical'>
print(score_cut1)
print(pd.value_counts(score_cut1)) # 统计每个区间人数
bar2=DataFrame(pd.value_counts(score_cut1))
def bar2():
    #柱状图
    cate = ['待充值', '0-50元', '50-100元', '100-200元', '200-500元', '大于500元']
    c = (
    Bar()
    .add_xaxis(cate)
    .add_yaxis("余额状态次数:人次",[180, 10322, 7223, 5236, 2595, 521])
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        title_opts=opts.TitleOpts(title="学生交易余额情况")
    )
    )
    return c
page = Page() 
page.add(
         tab0("2021级","#2CB34A"), 
         bar(),
         tab1("人工智能学院食堂就餐消费驾驶舱","#2CB34A"),
         gau(),
         radius(),
         funnel(),
         line(),
         bar2(),
         tab2("学生消费位置情况","black")
         )
page.render("D:\\代做项目\\驾驶舱\\驾驶舱3.html")
##对页面布局
#divs[0][“style”] = “width:10%;height:10%;position:absolute;top:0;left:2%;” 即是我们对Part0的宽度、高度、位置、上边距、左边距的定义,这里我们用百分比以达到屏幕自适应的效果
with open("D:\\代做项目\\驾驶舱\\驾驶舱3.html", "r+", encoding='utf-8') as html:
    html_bf = BeautifulSoup(html, 'lxml')
    divs = html_bf.select('.chart-container')
    divs[0]["style"] = "width:10%;height:10%;position:absolute;top:0;left:2%;"
    divs[1]["style"] = "width:40%;height:40%;position:absolute;top:12%;left:0;"  
    divs[2]["style"] = "width:35%;height:10%;position:absolute;top:2%;left:30%;"
    divs[3]["style"] = "width:40%;height:40%;position:absolute;top:10%;left:28%;"
    divs[4]["style"] = "width:40%;height:35%;position:absolute;top:12%;left:55%;"
    divs[5]["style"] = "width:30%;height:35%;position:absolute;top:60%;left:2%;"
    divs[6]["style"] = "width:40%;height:50%;position:absolute;top:50%;left:30%;"
    divs[7]["style"] = "width:35%;height:40%;position:absolute;top:50%;left:65%;"
    divs[8]["style"] = "width:10%;height:10%;position:absolute;top:47%;left:0%;"
    body = html_bf.find("body")
    body["style"] = "background-image:url(背景1.jpg)"  # 更换背景
    html_new = str(html_bf)
    html.seek(0, 0)
    html.truncate()
    html.write(html_new)
相关文章
|
9天前
|
数据可视化 数据挖掘 Python
使用Python进行数据可视化:探索与实践
【10月更文挑战第21天】本文旨在通过Python编程,介绍如何利用数据可视化技术来揭示数据背后的信息和趋势。我们将从基础的图表创建开始,逐步深入到高级可视化技巧,包括交互式图表和动态展示。文章将引导读者理解不同图表类型适用的场景,并教授如何使用流行的库如Matplotlib和Seaborn来制作美观且具有洞察力的可视化作品。
32 7
|
8天前
|
数据可视化 定位技术 Python
使用Python进行数据可视化
【10月更文挑战第22天】在这篇文章中,我们将深入探讨如何使用Python进行数据可视化。我们将从基础的图表开始,然后逐步进入更复杂的可视化技术。我们将通过实例代码来展示如何实现这些可视化,以便读者能够更好地理解和应用这些技术。
13 5
|
10天前
|
数据可视化 Python
使用Python进行数据可视化的初学者指南
【10月更文挑战第20天】本文旨在为编程新手提供一个简洁明了的入门指南,通过Python语言实现数据可视化。我们会介绍如何安装必要的库、理解数据结构,并利用这些知识来创建基本图表。文章将用通俗易懂的语言和示例代码,帮助读者快速掌握数据可视化的基础技能。
21 4
|
1月前
|
数据可视化 Python
Python 高级绘图:探索数据可视化
在Python中,利用matplotlib、seaborn等库可实现数据的可视化。matplotlib功能丰富,支持基础图表绘制;seaborn则提供了更美观的默认样式。此外,matplotlib还支持3D图形及动态图表的生成,满足多样化的数据展示需求。 示例代码展示了如何使用这些库绘制正弦波、散点图、3D曲面图及动态更新的折线图。通过numpy生成数据,并借助matplotlib与seaborn的强大绘图功能,实现数据的直观呈现。
66 17
|
23天前
|
数据可视化 开发者 Python
使用Python进行数据可视化:从入门到精通
【10月更文挑战第7天】本文将引导您通过Python的可视化库,如Matplotlib和Seaborn,来探索和展示数据。我们将通过实际代码示例,学习如何创建各种图表,包括条形图、散点图和直方图等,并讨论如何优化这些图表以更好地传达信息。无论您是初学者还是有一定基础的开发者,这篇文章都能帮助您提高数据可视化技能。
|
26天前
|
数据可视化 Python
Python编程之数据可视化入门
【10月更文挑战第4天】在数字时代的洪流中,数据如同星辰般璀璨,而将它们绘制成图表,便是我们探索宇宙的方式。本文将带你启航,用Python这艘航船,驶向数据可视化的奥秘。我们将从安装必要的工具包开始,逐步深入到数据的呈现,最后通过代码示例点亮知识的灯塔,指引你在数据海洋中航行。让我们握紧舵盘,乘风破浪,揭开数据背后的故事吧!
|
30天前
|
存储 数据可视化 Python
Python编程中的数据可视化技术
在数据驱动的世界中,将复杂的数据集转换为易于理解的视觉表示形式至关重要。本文将深入探讨如何使用Python进行数据可视化,包括选择合适的库、处理数据和设计有效的图表。我们将一起学习如何让数据讲故事,并确保你的信息传达清晰且有影响力。
|
10天前
|
数据可视化 数据挖掘 定位技术
Python中利用Bokeh创建动态数据可视化
【10月更文挑战第14天】本文介绍了如何使用 Bokeh 库在 Python 中创建动态数据可视化。Bokeh 是一个强大的开源可视化工具,支持交互式图表和大规模数据集的可视化。文章从安装 Bokeh 开始,逐步讲解了如何创建动态折线图,并添加了交互式控件如按钮、滑块和下拉菜单,以实现数据更新频率的调节和颜色选择。通过这些示例,读者可以掌握 Bokeh 的基本用法,进一步探索其丰富功能,创建更具吸引力和实用性的动态数据可视化。
18 0
|
18天前
|
数据可视化 定位技术 Python
Python数据可视化--Matplotlib--入门
Python数据可视化--Matplotlib--入门
21 0
|
28天前
|
数据可视化 数据挖掘 大数据
使用Python进行简单数据可视化
【10月更文挑战第2天】使用Python进行简单数据可视化
30 0