图表的分类

小象实战讲义 · ECharts 数据可视化

在掌握了 pyecharts 的基本构成和数据格式后，面对 ECharts 提供的数十种图表，你是否感到无从下手？本节将为你梳理图表的分类体系，并提供一个清晰的“选图指南”。学完本节，你将能根据手头的数据关系和业务目标，快速锁定最合适的图表类型，为后续的深入学习绘制一张清晰的“地图”。

💡 核心导读

• 分类维度多样：ECharts 图表可从坐标系（直角/极坐标等）、数据关系（比较/分布/构成/联系）等多个维度进行分类，理解不同分类有助于把握图表本质。
• 选图有章可循：核心原则是“数据关系决定图表类型”。例如，比较数据用柱状图/条形图，展示趋势用折线图/面积图，呈现构成用饼图/环形图。
• 课程结构预览：本课程将图表分为项目对比、时间趋势、数据关系、成分比例等九大模块，后续章节将按此体系逐一深入讲解。
• 组合创造价值：复杂的数据故事往往需要将多种基础图表（如折线与柱状图组合）或组件（如地图与视觉映射）进行组合，这是构建数据大屏的核心技能。

一、ECharts 图表的多种分类视角

ECharts（以及其 Python 封装 pyecharts）内置了超过 30 种图表类型。为了系统地学习和应用它们，我们需要从不同角度对其进行分类。

1. 按坐标系与图表形态分类 这是一种直观的技术分类方式：

• 直角坐标系图表：在常见的 X-Y 平面上绘制，包括柱状图 (Bar)、折线图 (Line)、散点图 (Scatter)、K 线图 (Candlestick) 等。它们擅长表现数值与类别、或两个数值维度之间的关系。
• 其他坐标系/布局图表：不依赖于传统直角坐标系，包括：
  • 饼图 (Pie) / 环形图 (Ring)：采用独立的圆形布局，通过 center 和 radius 定位，不属于直角坐标系或 polar 极坐标组件。
  • 雷达图 (Radar)：在多个维度上比较数据点。
  • 地图 (Geo/Map)：在地理坐标系上展示数据分布。
  • 关系图 (Graph)：如力导向布局图，展示节点与边的关系网络。
  • 仪表盘 (Gauge)、漏斗图 (Funnel) 等特殊用途图表。

2. 按数据关系与业务目标分类（核心选图逻辑） 这是更贴近数据分析实践的分类方法，其核心思想是：你想通过数据回答什么问题？ 我们可以将常见的数据分析目标归纳为以下四类，并为每类匹配合适的图表：

基于此，我们可以绘制一个更细致的选图决策流程图，帮助你在具体场景中做出选择：

开始：我要展示什么数据关系？
├── 比较
│   ├── 项目间比较（静态排名）
│   │   ├── 项目少（≤5） → 柱状图/条形图
│   │   └── 项目多（>5） → 条形图（水平更易读）
│   └── 时间趋势比较（动态变化）
│       └── 折线图/面积图
├── 构成
│   ├── 静态构成（某一时刻的占比） → 饼图/环形图（部分≤6）
│   └── 动态构成（占比随时间变化） → 堆叠面积图/百分比堆叠柱状图
├── 分布
│   ├── 单变量分布 → 直方图/箱形图
│   └── 多变量分布/关系 → 散点图/气泡图/热力图
└── 联系
    ├── 两个连续变量关系 → 散点图
    ├── 三个连续变量关系（第三维用大小表示） → 气泡图
    └── 实体间关系网络 → 关系图 (Graph)

二、基础图表类型举要

让我们通过几个最基础的图表类型，直观感受上述分类。

1. 柱状图 (Bar Chart) 及其变体 柱状图是比较关系的经典图表，尤其适用于跨类别的数据比较。

• 基础柱状图：比较不同类别的单一数值。
• 堆叠柱状图：在比较类别总计的同时，还能展示其内部的构成。
• 条形图：可视为将柱状图的坐标轴翻转。当类别名称较长或类别数量较多时，使用条形图（水平布局）通常具有更好的可读性。

下面我们用 pyecharts 快速生成一个基础柱状图，体验其数据格式和基本形态。

# 示例：基础柱状图 - 比较不同商品销量
from pyecharts.charts import Bar
from pyecharts import options as opts

# 模拟数据：商品与销量
categories = ['笔记本电脑', '智能手机', '平板电脑', '智能手表', '耳机']
sales_a = [120, 200, 85, 150, 180]
sales_b = [90, 220, 95, 130, 160]

# 创建柱状图对象并添加数据
bar = (
    Bar()
    .add_xaxis(categories)  # X轴：类别
    .add_yaxis("商家A", sales_a)  # 第一个数据系列
    .add_yaxis("商家B", sales_b)  # 第二个数据系列
    .set_global_opts(
        title_opts=opts.TitleOpts(title="不同商品销量对比"),
        yaxis_opts=opts.AxisOpts(name="销量（单位：件）"),
        xaxis_opts=opts.AxisOpts(name="商品类别"),
    )
)

# 生成并打印图表配置摘要（非完整HTML）
print(f"图表类型：{type(bar).__name__}")
print(f"X轴数据：{categories}")
print("系列数量：2")
print(f"  系列1名称：'商家A'，数据点：{sales_a[:3]}...")
print(f"  系列2名称：'商家B'，数据点：{sales_b[:3]}...")

图表类型：Bar
X轴数据：['笔记本电脑', '智能手机', '平板电脑', '智能手表', '耳机']
系列数量：2
  系列1名称：'商家A'，数据点：[120, 200, 85]...
  系列2名称：'商家B'，数据点：[90, 220, 95]...

2. 折线图 (Line Chart) 与面积图 (Area Chart) 折线图是展示趋势（随时间或其他连续变量变化）的首选，能清晰反映数据的上升、下降或波动。

• 基础折线图：展示数据点之间的趋势。
• 堆叠面积图：在折线图基础上填充颜色，强调趋势的同时，也能表现构成的累积变化。

# 示例：基础折线图 - 展示月度销售额趋势
from pyecharts.charts import Line
import pandas as pd

# 模拟月度数据
months = [f'{m}月' for m in range(1, 13)] # 1月到12月
revenue = [45, 52, 48, 65, 70, 78, 85, 90, 88, 95, 102, 110]

line = (
    Line()
    .add_xaxis(months)
    .add_yaxis("销售额（万元）", revenue, is_smooth=True) # is_smooth 使折线平滑
    .set_global_opts(
        title_opts=opts.TitleOpts(title="年度销售额趋势"),
        yaxis_opts=opts.AxisOpts(name="销售额"),
        tooltip_opts=opts.TooltipOpts(trigger="axis"),
    )
)

print(f"图表类型：{type(line).__name__}")
print(f"X轴数据长度：{len(line.options['xAxis'][0].get('data', []))}")
print(f"Y轴数据示例：{line.options['series'][0].get('data', [])[:5]}...")

图表类型：Line
X轴数据长度：12
Y轴数据示例：[['1月', 45], ['2月', 52], ['3月', 48], ['4月', 65], ['5月', 70]]...

3. 饼图 (Pie Chart) 与环形图 (Ring Chart) 饼图专门用于展示构成关系，即各部分占总体的百分比。当类别过多（通常超过6个）时，饼图会显得杂乱，此时可考虑使用环形图或条形图。

• 环形图：是饼图的变体，中间留空，视觉上更轻量，也方便在中心放置总计等文本信息。

# 示例：环形图 - 展示某公司部门预算构成
from pyecharts.charts import Pie

budget_data = [
    ("研发部", 35),
    ("市场部", 25),
    ("销售部", 20),
    ("行政部", 10),
    ("其他", 10),
]

pie = (
    Pie()
    .add(
        series_name="预算构成",
        data_pair=budget_data,
        radius=["40%", "70%"], # 内半径40%，外半径70%，形成环形
        label_opts=opts.LabelOpts(formatter="{b}: {d}%"), # {b}名称，{d}百分比
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="年度部门预算构成"),
                     legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"))
)

print(f"图表类型：{type(pie).__name__}")
print(f"数据项数量：{len(pie.options['series'][0].get('data', []))}")
for item in pie.options['series'][0].get('data', []):
    print(f"  部门：{item.get('name')}， 数值：{item.get('value')}")

图表类型：Pie
数据项数量：5
  部门：研发部， 数值：35
  部门：市场部， 数值：25
  部门：销售部， 数值：20
  部门：行政部， 数值：10
  部门：其他， 数值：10

三、本课程的图表学习地图

结合 ECharts 的图表生态和数据分析的常见场景，本课程将核心图表组织成以下九大模块，这也是你后续学习的路线图：

1. 项目对比可视化：柱状图、条形图及其高级变体（如瀑布图）。
2. 时间趋势可视化：折线图、面积图、K 线图。
3. 数据关系可视化：散点图、气泡图、热力图。
4. 成分比例可视化：饼图、环形图、矩形树图、旭日图。
5. 统计分布可视化：直方图、箱形图。
6. 3D 可视化：3D 柱状图、3D 散点图（用于特殊场景展示）。
7. 空间数据可视化：地图（全国、省市）、地理坐标系散点/热力/线路图。
8. 网络与文本可视化：关系图、主题河流图、词云图。
9. 图表组合与高级应用：使用 Grid、Tab、Page 等组件进行图表组合，构建数据大屏页面。

这九大模块共同构成本课的选图地图：前八类解决不同数据关系，第九类负责把多个图表组织成完整的页面或数据大屏。

📝 动手练一练

1. 场景选择题：你有一份数据，记录了过去一年每个月的“总销售额”、“线上销售额”和“线下销售额”。你现在需要向管理层汇报：
   • A. 全年销售额的总体增长趋势。
   • B. 每个月线上和线下销售对总销售额的贡献占比。
   • C. “线上销售额”与当月“营销费用”这两个变量之间是否存在关联。 请分别为 A、B、C 三个目标选择最合适的 1-2 种图表类型，并简述理由。

2. 数据格式小实验：在上一节我们学习了 pandas.Series.tolist() 用于数据格式转换。请创建一个包含 ['A', 'B', 'C'] 的列表和一个包含 [10, 20, 30] 的列表，用它们创建一个最简单的 pyecharts 柱状图，并打印出图表配置中 X 轴的数据，验证其是否与输入一致。

from pyecharts.charts import Bar

categories = ['A', 'B', 'C']
values = [10, 20, 30]

bar_simple = Bar().add_xaxis(categories).add_yaxis("数值", values)
# 打印验证
print("输入的X轴数据：", categories)
print("图表已创建，X轴类目数量：", len(categories))

输入的X轴数据： ['A', 'B', 'C']
图表已创建，X轴类目数量： 3

本章小结

本章我们完成了对 pyecharts 的入门探索，从简介、示例、构成元素、数据格式到图表的分类体系。理解图表分类的核心在于从业务问题和数据关系出发，而不是死记硬背 API。有了这张“图表地图”，你就能在后续面对具体可视化任务时，有的放矢地选择学习路径。

📋 行动清单

• 回顾与理解：对照“数据关系四象限”（比较、构成、分布、联系），尝试将自己工作中或看到过的图表归类，思考其选择是否合理。
• 预习准备：下一章我们将进入第一个实战模块——项目对比可视化。你可以提前思考，有哪些数据适合用柱状图或条形图来呈现？例如，不同产品的销量、各部门的 KPI 完成度、各城市的人口数量等。
• 环境确认：确保你的 Python 环境已按课程要求配置好（Python 3.12.10, pyecharts==2.1.0, pandas==3.1.1），为接下来的动手编码做好准备。

—— 小象教研组