数据可视化实战【mysql+pyecharts+web】

日期：2023.5.10

用到的工具：Navicat（数据库软件）Navicat | 支持 MySQL、MariaDB、MongoDB、SQL Server、SQLite、Oracle 和 PostgreSQL 的数据库管理，IDLE（python），jupyter notebook，pyecharts

1、搭建mysql数据库，导入数据

安装mysql数据库，cmd输入命令mysql -V 查看mysql是否安装成功。

 成功会显示mysql版本，若不成功输入pip install mysql 进行安装。

打开Navicat，创建数据库连接

创建数据库 display，创建表 data， 导入数据。

2、在 Python 中连接数据库，获取所需的数据

首先引入必要的相关开发包

#引入开发包import pymysql.cursorsimport pandas as pdfrom pyecharts.charts import Bar,Gauge,Pie,Page,Funnel,Geo,Scatter3D,Tab,Timeline,Grid,Linefrom flask import Flask, render_templatefrom pyecharts import options as optsfrom jinja2.utils import markupsafefrom pyecharts.globals import CurrentConfigfrom pyecharts.globals import ThemeTypeimport traceback

获取数据库连接，获取所需要的数据

# 获取数据库连接db = pymysql.connect(host='localhost',                    user='root',                    password='123456',                    db='display',                    charset='utf8mb4')try:    #获取会话指针    with db.cursor() as cursor:        #查询语句        sql = "select `ID`,`案件副类别`,`经济损失`,`作案手法`,`发案地点`,'受理时间' from `data`"        #查询所有行数        # count = cursor.execute(sql)        # print(count)        #查询前三条数据        # result = cursor.fetchmany(size=3)        # print(result)        cursor.execute(sql)        result = cursor.fetchall()        #执行结果转换为dataframe对象        df = pd.DataFrame(list(result),columns=['ID','案件副类别','经济损失','作案手法','发案地点','受理时间'])        df0 = df[['案件副类别','经济损失']]        df1 = df0.groupby('案件副类别').count() # 用于统计案件副类别各类别个数        df2 = df[['作案手法','经济损失']]        df3 = df2.groupby('作案手法').count() # 用于统计作案手法各类别个数        df4 = df[['ID','发案地点']]        df5 = df4.groupby('发案地点').count()#用于统计各地区发生案件数finally:    db.close()

db = pymysql.connect(host='localhost', user='root',password='123456',db='display',charset='utf8mb4')try:    #获取会话指针    with db.cursor() as cursor:        #查询语句        sql = "select `经济损失`,`受理时间` from `data`;"        cursor.execute(sql)        result = cursor.fetchall()        #执行结果转换为dataframe对象        df6 = pd.DataFrame(list(result),columns=['经济损失','受理时间'])finally:    db.close()

这里遇到了一个难题，我想分析每年案件的发生数量，研究其的趋势，但是案件日期的格式是2017-10-08（year-month-day）的，需要对其进行剥离，仅获取年份。关键代码：

y=pd.to_datetime(x).strftime('%Y')

 这是chatGPT对于该行代码的解释。详细代码如下：

list_year=[]list_month =[]for x in df6['受理时间']:    try:        #x = datetime.strptime(x,'%Y-%m-%d')        y = pd.to_datetime(x).strftime('%Y')        m = pd.to_datetime(x).strftime('%m')        list_year.append(y)        list_month.append(m)    except BaseException as e:        # 时间需要在pd的时间戳区间，否则会抛出异常        print(traceback.format_exc(limit=3))df6['year'] = pd.Series(data=list_year) # 时间时2015 - 2019年df6['month'] = pd.Series(data=list_month)del df6['受理时间']#print(df6.head(10))dic = {}for x in range(2015,2020):    month_list = []    df_year = df6[df6['year']==str(x)]    df_month = df_year.groupby('month').sum()    month_list.append(list(df_month.index))    month_list.append(list(df_month['经济损失']))    dic[x] = month_listdf7=df6[['经济损失','year']]df8=df7.groupby('year').count()  #每年案发数量

数据获取完毕，接下来开始绘制图形

3.pyecharts画图

打开jupyter notebook，cmd输入jupyter notebook，会显示如下界面

 复制网址，浏览器转到该网址

新建文件，开始编写图形代码

将前面的代码依次导入并运行

 1.制作柱状图

#创建柱状图def bar_base() -> Bar:    c = (        Bar(init_opts=opts.InitOpts(theme=ThemeType.WONDERLAND))       .add_xaxis(list(df1.index))       .add_yaxis("案件类别",                   list(df1.iloc[:,0]),                   markline_opts= opts.MarkLineItem(type_="average", name="平均值")                   )       .set_global_opts(title_opts=opts.TitleOpts(title="各类别案件数量", subtitle="202004080308奈齐飞"))       .set_series_opts(itemstyle_opts=opts.ItemStyleOpts(color='#D028DA'))    )    return cbar_base().render_notebook()

 效果如下：

 2.创建饼图

#创建饼图def pie_base() -> Pie:    c = (        Pie(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))           .add(            "",            # [list(z) for z in zip(Faker.choose(), Faker.values())],           [list(z) for z in zip(list(df3.index), list(df3.iloc[:, 0]))],            radius=["30%", "70%"],       )           .set_global_opts(            title_opts=opts.TitleOpts(title="各案件作案手法发生数"),            legend_opts=opts.LegendOpts(orient="vertical", pos_top="20%", pos_left="2%"),       )           .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}",color='#D028DA'))              )    return cpie_base().render_notebook()

效果如下：

创建折线图

#创建折线图def line_base() -> Line:    c = (        Line(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))            .add_xaxis(list(df5.index))            .add_yaxis('各地发案数',list(df5.iloc[:, 0]))                        .set_global_opts(title_opts=opts.TitleOpts(title="各地区发生案件数"))            )    return cline_base().render_notebook()

 效果如下：

def line_trend() -> Line:    c = (        Line(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))            .add_xaxis(list(df8.index))            .add_yaxis('各年份发案数量走势图',list(df8.iloc[:, 0]))                        .set_global_opts(title_opts=opts.TitleOpts(title="各年份发案数量走势图"))            )    return cline_trend().render_notebook()

效果如下：

4.利用pyecharts中的page布局。将多个模块垂直组合到一个页面中

#利用pyecharts中的page布局。将多个模块垂直组合到一个页面中def page_draggable_layout():    page = Page(layout=Page.DraggablePageLayout)    page.add(        bar_base(),        pie_base(),        line_base(),        line_trend(),    )    page.render("page_draggable_layout.html") #返回的页面名称，可以更改#生成成功后，拖拽图表到合适的位置，保存，将保存的文件复制到代码文件路径下if __name__ == "__main__":    page_draggable_layout()    

生成成功后，当前文件夹下会生成page_draggable_layout.html，用浏览器打开，会获得4个垂直分布的图表可以对其进行拖拽（右边框和下边框），构建自己喜欢的布局

布局完成效果如下：

无法长截屏所以分三部分截图了。

 然后点击页面左上角的save config按钮，保存至该文件所在的文件夹下

然后修改之前的代码

#生成成功后，拖拽图表到合适的位置，保存，将保存的文件复制到代码文件路径下if __name__ == "__main__":    #page_draggable_layout()    Page.save_resize_html("page_draggable_layout.html",cfg_file="chart_config.json", dest="my_new_charts.html")

 运行新的代码，会生成布局后的网页my_new_charts.html，浏览器打开查看效果（这里放的是缩略图50%）

 5.将生成的html文件复制到www文件夹下，用php发布网站

我将这个文件名改为了index.php，这样打开浏览器转到127.0.0.1就会出现该网页

（这个图片是用最初做的代码实现的，感觉这个更美观一些，不影响观看）

 结语：

本次实战运用了python+pyecharts+web的相关知识，算是一次对所学知识的综合运用和检验，其中数据的转换和获取是比较难搞的点，这也暴露出对于python掌握的不够牢靠，后续需要多加学习。另外，这次作业用到了ChatGPT，解答了我一些调试程序上遇到的问题，真的挺好用的，以后可以多了解了解ChatGPT，最好是能灵活运用。总体来说，这次作业的收获还是蛮大，谢谢那些在学习上给我提供帮助的老师同学。

来源地址：https://blog.csdn.net/weixin_53144783/article/details/130592771