常用图表的基本结构

图表的构成

小象实战讲义 · ECharts 数据可视化

在上一节，我们通过官方案例对 pyecharts 绘制的图表有了直观认识。一个清晰、专业的图表并非随意堆砌元素，而是由一系列标准化的组件构成。理解这些组件，是后续灵活配置和定制图表的基础。本节将系统拆解一个交互式图表的基本构成元素，让你在动手编码前，先建立清晰的“蓝图”。

💡 核心导读

• 图表五要素：标题、坐标轴、数据列、提示框和图例是构成一个基础图表的五个核心部分。
• 进阶交互组件：工具箱、区域缩放和视觉映射等组件，能显著提升图表在复杂数据场景下的交互与分析能力。
• 组件与数据的关系：理解每个组件如何与你的数据（如 pandas DataFrame）进行映射和交互，是配置图表的关键。
• 从结构到配置：本节建立的结构化认知，将直接对应到后续 pyecharts 的 opts 配置模块。

基础构成：从柱状图看起

我们以一个基础的柱状图为例，来认识图表中最常见的五个组成部分。

# 示例1：基础柱状图的构成元素示意
import pandas as pd
from pyecharts.charts import Bar
from pyecharts import options as opts

# 准备数据
data = {
    'category': ['衬衫', '羊毛衫', '雪纺衫', '裤子', '高跟鞋', '袜子'],
    'sales_A': [120, 132, 101, 134, 90, 230],
    'sales_B': [220, 182, 191, 234, 290, 330]
}
df = pd.DataFrame(data)

# 构建图表，并显式配置各元素
bar = (
    Bar()
    .add_xaxis(df['category'].tolist())  # X轴：类别数据
    .add_yaxis("商家A", df['sales_A'].tolist())  # 数据列1
    .add_yaxis("商家B", df['sales_B'].tolist())  # 数据列2
    .set_global_opts(
        title_opts=opts.TitleOpts(title="基础柱状图", subtitle="演示图表构成"),  # 标题（含副标题）
        xaxis_opts=opts.AxisOpts(name="商品类别"),  # X轴配置
        yaxis_opts=opts.AxisOpts(name="销售额"),    # Y轴配置
        tooltip_opts=opts.TooltipOpts(trigger="axis"),  # 提示框配置
        legend_opts=opts.LegendOpts()  # 图例配置
    )
)

# 打印图表类型及数据摘要，而非完整HTML
print(f"图表类型: {type(bar).__name__}")
print(f"X轴数据: {df['category'].tolist()}")
print("系列名称: ['商家A', '商家B']")

图表类型: Bar
X轴数据: ['衬衫', '羊毛衫', '雪纺衫', '裤子', '高跟鞋', '袜子']
系列名称: ['商家A', '商家B']

元素解析：

1. 标题 (Title)：位于图表顶部，用于说明图表的主题。通常包含主标题和可选的副标题。
2. 坐标轴 (Axis)：定义图表的度量基准。二维图表通常有 X 轴（横轴，常表示类别）和 Y 轴（纵轴，常表示数值）。坐标轴通常包含轴线、刻度线、刻度标签和轴名称。
3. 数据列 (Series)：图表中实际绘制数据的图形表示。在柱状图中是“柱子”，在折线图中是“线条”。一个图表可以包含多个数据列（系列），用于对比。
4. 提示框 (Tooltip)：当鼠标悬停在图表的数据点上时，弹出的信息框。它用于展示该点的详细数据，是交互式图表的核心。
5. 图例 (Legend)：当图表中有多个数据列时，图例通过颜色、形状和文字标识每个数据列，并允许用户通过点击来显示或隐藏对应的数据列。

构成元素的通用性：以折线图为例

同样的五个基础构成元素，也适用于其他类型的图表，如折线图。这体现了 ECharts 设计的一致性。

# 示例2：折线图的构成（强调样式区分）
from pyecharts.charts import Line

line = (
    Line()
    .add_xaxis(['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
    .add_yaxis("最高温度", [11, 11, 15, 13, 12, 13, 10],
               linestyle_opts=opts.LineStyleOpts(width=3, type_='dashed'),  # 线样式
               symbol='triangle', symbol_size=12)  # 点样式
    .add_yaxis("最低温度", [1, -2, 2, 5, 3, 2, 0],
               linestyle_opts=opts.LineStyleOpts(width=2),
               symbol='rect', symbol_size=10)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="一周温度变化"),
        yaxis_opts=opts.AxisOpts(name="温度(℃)"),
        tooltip_opts=opts.TooltipOpts(trigger="axis"),
        legend_opts=opts.LegendOpts()
    )
)

print(f"图表类型: {type(line).__name__}")
print("系列数量: 2")
print("系列1线型: dashed")

图表类型: Line
系列数量: 2
系列1线型: dashed

关键点：在折线图中，除了颜色，我们还可以通过线条样式（实线、虚线）和标记点形状（圆形、三角形、方形）来区分不同的数据列。这在黑白印刷或需要辅助色盲用户识别的场景下尤为重要。

进阶交互组件

当数据量变大或分析需求变复杂时，基础的五要素可能不够用。ECharts 提供了丰富的进阶组件。

1. 工具箱 (Toolbox)

工具箱将常用的交互工具（如数据视图、缩放、还原、保存为图片等）集成在一个面板中，提供给最终用户。

# 示例3：为图表添加工具箱
bar_with_toolbox = (
    Bar()
    .add_xaxis(df['category'].tolist())
    .add_yaxis("商家A", df['sales_A'].tolist())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="带工具箱的柱状图"),
        toolbox_opts=opts.ToolboxOpts(  # 配置工具箱
            is_show=True,
            feature={
                "saveAsImage": {},  # 保存为图片
                "dataView": {"readOnly": False},  # 数据视图
                "restore": {},  # 还原
                "dataZoom": {"yAxisIndex": 'none'},  # 区域缩放（仅X轴）
            }
        )
    )
)
print("工具箱已配置，包含功能:", ['saveAsImage', 'dataView', 'restore', 'dataZoom'])

工具箱已配置，包含功能: ['saveAsImage', 'dataView', 'restore', 'dataZoom']

2. 区域缩放 (DataZoom)

当图表需要展示成百上千个数据点时，全部平铺显示会失去重点。区域缩放组件允许用户通过滑动条或框选，动态地聚焦于数据的某个区间。

# 概念示意：DataZoom 在图表中的位置
图表区域
┌─────────────────────────────────────────────┐
│ 标题                                         │
├─────────────────────────────────────────────┤
│          (主绘图区，显示数据图形)             │
│                                              │
│                                              │
├─────────────────────────────────────────────┤
│ [=====|=======]  ← 这是 DataZoom 滑动条      │
└─────────────────────────────────────────────┘

说明：滑动条控制主绘图区显示的数据范围。

3. 视觉映射 (VisualMap)

视觉映射组件通过一个连续的色带（如蓝-红），将数据的数值大小映射为图形元素的颜色深浅。它常用于热力图、带有颜色维度的散点图或地图，能直观地揭示数据的分布和规律。

# 示例4：使用视觉映射（VisualMap）为柱状图着色
from pyecharts.charts import Bar
import random
random.seed(2026) # 固定随机种子，保证输出可复现

# 生成带数值差异的数据
data_values = [random.randint(20, 100) for _ in range(6)]
categories = ['A产品', 'B产品', 'C产品', 'D产品', 'E产品', 'F产品']

bar_visualmap = (
    Bar()
    .add_xaxis(categories)
    .add_yaxis("销量", data_values)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="销量分布（颜色映射数值）"),
        visualmap_opts=opts.VisualMapOpts(  # 配置视觉映射
            is_show=True,
            min_=min(data_values),
            max_=max(data_values),
            range_color=['#B5C8F5', '#4A7CF5', '#0037A1'], # 颜色从浅蓝到深蓝
            orient='horizontal',
            pos_left='center'
        )
    )
)

print(f"数据值范围: {min(data_values)} ~ {max(data_values)}")
print("视觉映射类型: continuous")

数据值范围: 33 ~ 85
视觉映射类型: continuous

解读：配置后，柱子的颜色不再固定，而是根据其代表的“销量”数值大小，在定义的蓝色彩系中渐变。数值越大的柱子颜色越深，一眼就能看出“D产品”销量最高。

📝 动手练一练

1. 基础配置：请修改“示例1”中的代码，将图表的标题改为“2026年上半年度商品销售对比”，并隐藏副标题。同时，将图例的位置移动到图表的右下角。
2. 组件理解：在“示例4”的基础上，如果我们希望颜色映射的方向是“数值越小颜色越深，数值越大颜色越浅”，应该调整哪个配置参数？请尝试修改代码并观察效果。

.set_global_opts(
    title_opts=opts.TitleOpts(title="2026年上半年度商品销售对比", subtitle=None), # 修改标题，副标题设为None
    legend_opts=opts.LegendOpts(pos_right="5%", pos_bottom="5%") # 将图例位置移至右下角
)

visualmap_opts=opts.VisualMapOpts(
    ... # 其他配置不变
    range_color=['#0037A1', '#4A7CF5', '#B5C8F5'], # 顺序反转：深蓝 -> 中蓝 -> 浅蓝
)

本章小结

本节我们系统地拆解了一个 ECharts/pyecharts 图表的构成。从标题、坐标轴、数据列、提示框、图例这五个基础骨架，到工具箱、区域缩放、视觉映射等增强肌肉的交互组件，每一个部分都承担着明确的信息传达或交互功能。

📋 行动清单

• 回顾与识别：打开一个商业网站或报告中的复杂图表，尝试识别出本节所学的各个构成元素（标题、图例、提示框等）。
• 思维转换：在下次用 pandas 做完数据分析后，先不要急于写代码，而是用纸笔草图规划一下：你的数据适合用什么图表？这个图表需要哪些必要的构成元素？哪些进阶组件能提升它的表现力？
• 配置预演：在 pyecharts 官方示例库（Gallery）中找一个你感兴趣的复杂图表，在脑海中将其分解为 set_global_opts 和 set_series_opts 中可能包含的配置项。

理解构成是掌握配置的前提。从下一节开始，我们将深入探讨如何将你的数据（尤其是 pandas DataFrame）正确地转换为这些组件所能理解的格式，并开始动手创建你的第一个自定义图表。

—— 小象教研组