Python Flask 数据可视化_python

概述数据可视化是数据处理中的重要部分，前面我们了解了Flask的开发和部署，如何用Flask做数据可视化呢？今天我们来了解一下。Python语言极富表达力，并且拥有众多的数据分析库和框架，是数据分析的首选；echarts，最初由百度团队开发，现在已独立成Apache旗下一款国际化产品，是基于Web的数据

数据可视化是数据处理中的重要部分，前面我们了解了 Flask 的开发和部署，如何用 Flask 做数据可视化呢？今天我们来了解一下。

Python 语言极富表达力，并且拥有众多的数据分析库和框架，是数据分析的首选；

echarts，最初由百度团队开发，现在已独立成 Apache 旗下一款国际化产品，是基于 Web 的数据可视化框架，API 简单明了，应用极为广泛；

Python 和 echarts 的完美结合就是 pyecharts

pyecharts 简介

pyecharts 使得可以用 Python 语言，完成 echarts 中对图表的各种 *** 作，并且让编写代码更便利

pyecharts 中的概念和 echarts 是相通的，对于刚接触的同学，无论从 pyecharts 还是 echarts 开始了解都可以

图表类

pyecharts 中的图表都是类，都继承自 Base 基类，构造函数接受一个 init_opts 参数，用于设置图表的属性

以下是常用 API 接口：

@H_419_31@add_Js_func：将 Js 脚本附加在图表 HTML 中set_global_opts：设置图表属性render：渲染出图表的 HTML 文件dump_options_with_quotes：将图表所有设置导出为 Json，用于前后分离全局配置

pyecharts 将图表中和数据无关的属性，集中在全局配置中，也就是这些配置是服务于整个图表的，比如标题、图例、工具栏、数据提示框、区域缩放等，每种配置项，都是一个 Basicopts的子类，通过图标对象的 set_global_opts 方法设置，例如：

from pyecharts.charts import bar
bar = bar()bar.set_global_opts(    Title_opts=opts.TitleOpts(        title="bar-基本示例",        subtitle="我是副标题",        pos_left= "center",        pos_top="top"),    legend_opts=opts.LegendOpts(        pos_top="60"))

系列配置

系列（serIEs）是很常见的名词。在 echarts 里，系列（serIEs）是指：一组数值以及他们映射成的图。“系列”这个词原本可能来源于“一系列的数据”，而在 echarts 中取其扩展的概念，不仅表示数据，也表示数据映射成的图。所以，一个 系列 包含的要素至少有：一组数值、图表类型（serIEs.type）、以及其他的关于这些数据如何映射成图的参数。

pyecharts 系列配置 和 全局配置 类似，用于对图表中 系列 进行设置，比如设置 系列 样式、坐标系、颜色、形状、特殊点，以及等。

例如，柱状图上不显示标签：

from pyecharts.charts import bar
bar = bar()bar.set_serIEs_opts(label_opts=opts.LabelOpts(is_show=False))

pyecharts 安装

首先安装 pyecharts：

pip install pyecharts

安装完后，在 Python 交互式环境( REPL )中，可以查看版本信息：

>>> import pyecharts>>> print(pyecharts.__version__)1.7.0

Flask 集成

前面我们了解了 Flask 的开发，对于一个应用来说，需要有 视图函数 , 模板、和 路由，echarts 是一个前台框架，只要将页面做成模板，然后将数据写入模板就好，这样确实是可以做的，不过 pyecharts 已经处理了大部分工作，只要在 Python 中开发代码就好了。

pyecharts 和 Flask 集成，四种形式，分别是模板渲染、前后分离、定时全集更新和增量数据更新

模板渲染

模板渲染是比较方便的，可以不用写前台页面，因为 pyecharts 已经定义了很多模板，以及模板宏，调用很方便。

第一步下载 pyecharts 的模板

可以从 github 的 pyecharts 项目中获取，https://github.com/pyecharts/pyecharts

如果用 pip 安装的 pyecharts ，可以在安装环境中的模块目录下找到，即 Python home 中的 lib/site-packages/pyecharts/render/templates

第二步将模板放入项目目录下

在我们的 Flask 应用的目录的 templates 模板下，创建 pyecharts 目录，来存放复制的 pyecharts 模板。

这样可以避免与 Flask 应用中我们自建的模板混淆。

第三步渲染图表

我们将业务逻辑写入都写在　Flask　启动脚本 app.py 中：

from flask import Flask  # 引入 Flaskfrom jinja2 import Markup, Environment, fileSystemloaderfrom pyecharts.globals import CurrentConfig
CurrentConfig.GLOBAL_ENV = Environment(loader=fileSystemloader("./templates/pyecharts"))
from pyecharts import options as optsfrom pyecharts.charts import bar
app = Flask(__name__)
def bar_base() -> bar:  # -> 表示要返回的是类型    c = (        bar()        .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])        .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])        .add_yaxis("商家B", [15, 25, 16, 55, 48, 8])        .set_global_opts(            Title_opts=opts.TitleOpts(                title="bar-基本示例",                subtitle="我是副标题"            )        )    )    return c
@app.route("/")def index():    c = bar_base()    return Markup(c.render_embed())

@H_419_31@首先引入 Flask、jinjia2 和 pyecharts为全局变量设置 jinjia2 环境，指定模板路径为 /templates/pyecharts 即我们存放 pyecharts 模板的路径。这样不会影响 Flask 的默认模板路径定义图表工厂方法，返回一个图表实例，图表实例支持点串联 *** 作add_xaxis 添加 X 轴显示的项目add_yaxis 添加 Y 轴数据分类和数值，相当于分组，可以添加多个set_global_opts 设置图标的全局配置视图函数中，用图表工厂方法bar_base 创建一个图表实体，返回 render_embed 经过 jinjia2 的渲染结果render_embed 返回的是合成好的 HTML 可以直接返回给前台做展示前后分离

模板渲染虽然方便，但是不够灵活，比如要修改已有页面，加上一个图表，这是可以考虑用前后分离的方式

前两步和模板渲染中的一样

第三步创建前台页面

创建一个 HTML 文件 index.HTML，存放在 templates 文件夹下，内容和 echarts 一样，主要是需要引用 echarts 框架，和 jquery 框架(其他的AJAX框架均可)，定义显示图表的 Dom，最后在页面加载完成回调方法中，通过 AJAX 请求后台数据，异步将获取到的图标数据设置到图表中:

<!DOCTYPE HTML><HTML><head>    <Meta charset="UTF-8">    <Title>我的图表</Title>    <script src="https://cdn.bootCSS.com/jquery/3.0.0/jquery.min.Js"></script>    <script type="text/JavaScript" src="https://assets.pyecharts.org/assets/echarts.min.Js"></script></head><body>    <div ID="bar" ></div>    <script>        $(            function () {                var chart = echarts.init(document.getElementByID('bar'), 'white', {renderer: 'canvas'});                $.AJAX({                    type: "GET",                    url: "/barChart",                    dataType: 'Json',                    success: function (result) {                        chart.setoption(result);                    }                });            }        )    </script></body></HTML>

第四步编写后台相应方法

前台页面中定义了 AJAX 请求路径是 barChart，我们就写一个处理该请求的视图方法：

@app.route("/barChart")def bar_chart():    c = bar_base()    return c.dump_options_with_quotes()

@H_419_31@定义图表的方式和模板渲染一样视图方法中，用工厂方法创建视图对象，返回dump_options_with_quotes 的结果dump_options_with_quotes 将图标的配置集成为前台需要的格式，返回 JsON 数据

最后启动 Flask 应用，在localhost:5000 就能看到效果

前后分离的方式更常用，可以让前台的展示发挥最大的优势，Flask 后台提供图表需要的数据和设置

定时全量更新

有很多场景需要实时更新图表内容，实现方式是将前后分离的方式，获取后台图标配置的请求写成定时调用的，将得到的图标数据通过 setoption 设置到图表对象中。

后台视图方法每次重新根据查询条件，获取新的数据，设置到图表对象中，再用 dump_options_with_quotes 将设置导出，返回给前台

定时增量更新

增量更新在数据监控的场景中很常用，实现方式和全量更新有些差别

首先需要得到一个图表的设置，这个和全量更新一样

然后将获取增量数据的方法作为定时的，在回调函数中，为图标设置增量数据，与全量更新不同的是只更新 系列数据，echarts 会处理好图表的变化，包括动画效果

####　前台获取增量数据并更新的方法：

function getDynamicdata() {    $.AJAX({        type: "GET",        url: "/lineDynamicdata",        dataType: "Json",        success: function (result) {            old_data.push([result.name, result.value]);            chart.setoption({                serIEs: [{data: old_data}]            });        }    });}

old_data 图表数据的应用：

old_data = chart.getoption().serIEs[0].data;

如果需要同时将最早的数据清除掉，只需要将需要去除的数据从 old_data 中删除就行：

old_data.shift();  // 清楚最早的一个数据

后台数据处理

根据图表数据要求，每次前台请求增量数据时，将最新的数据返回

这里需要注意到是增量数据范围，即怎么确定增量数据

常用数据产生时间 或者 数据 ID 作为增量条件，例如图表展示的是在线用户数变化曲线，在线用户数，会定时存放在库表中，每条记录都有个 ID，每次请求增量数据时，将已经获取到数据的最大的 ID 值作为请求参数，后台就可以获取该主键值后面的数据，作为增量数据。

渲染图片
在有些场景下，需要生成图表图片，Python 有很多图表处理工具，可以做图像生成。
对 echarts 来说，也有生成图片的功能，不过需要在浏览器中，pyecharts 作为 Python 和 echarts 的桥梁，支持后端生成图表图片。
pyecharts 提供了 selenium, phantomJs 和 pyppeteer 三种方式渲染图片，其原理是用无头浏览器，渲染图表页面后，用 echarts 生成图片功能，生成图片。
这里我们用 selenium 做演示
安装 snapshot-selenium
snapshot-selenium 是 pyecharts + selenium 渲染图片的扩展，selenium 需要配置 browser driver，推荐使用 Chrome 浏览器，可以开启 headless 模式，具体配置可参考 selenium-python相关介绍。
使用
pyecharts 使用 make_snapshot 直接生成图片，支持生成图片相关的配置，如 echarts HTML 文件名，输出文件名，浏览器种类等：
from pyecharts import options as optsfrom pyecharts.charts import barfrom pyecharts.render import make_snapshotfrom snapshot_selenium import snapshotdef bar_chart() -> bar: c = ( bar() .add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"]) .add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105]) .add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49]) .reversal_axis() .set_serIEs_opts(label_opts=opts.LabelOpts(position="right")) .set_global_opts(Title_opts=opts.TitleOpts(title="bar-测试渲染图片")) ) return cmake_snapshot(snapshot, bar_chart().render(), "bar0.png")
@H_419_31@先引入 make_snapshot 和 snapshot定义图表工厂方法调用 make_snapshot 导出图片，第一个参数是渲染扩展工具，第二个是生成的 HTML 文件路径，第三个参数是生成的图片文件路径由于是通过无头浏览器中模拟的，图表复杂或者数据多时，渲染可能较慢，可以通过 make_snapshot 命名参数 delay 来设置等待时间，默认为 2 秒总结
今天介绍了使用 pyecharts 实现数据可视化的方法，并描述了如何与 Flask 集成，以及几种生成图表的方式，可以尝试一下，以便做出更好玩更有用的 Flask 应用。
参考@H_419_31@pyecharts: http://pyecharts.org/#/zh-cn/https://selenium-python.readthedocs.io/installation.HTML#drivershttps://www.echartsJs.com/examples/zh/index.HTML
示例代码：https://github.com/JustDoPython/python-100-day/tree/master/flask_pyecharts
总结
以上是内存溢出为你收集整理的Python Flask 数据可视化全部内容，希望文章能够帮你解决Python Flask 数据可视化所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。
欢迎分享，转载请注明来源：内存溢出
原文地址:https://www.54852.com/langs/1187824.html

Python Flask 数据可视化

发表评论

评论列表（0条）