柱状图与条形图

小象实战讲义 · ECharts 数据可视化

欢迎进入第四章《项目对比可视化》的学习。在前三章，我们完成了环境搭建、了解了数据可视化概述，并掌握了ECharts的基本使用。从本章开始，我们将系统性地学习各类图表的绘制与配置。本节作为开篇，将聚焦于最基础、最常用的对比类图表——柱状图与条形图。学完本节，你将能够使用pyecharts绘制标准的柱状图，并根据数据展示需求，灵活地将其转换为横向的条形图。

💡 核心导读

• 图表选型：理解柱状图适用于多分类间的数值对比，但不适合展示趋势或过多类别。
• 数据构造：掌握使用pyecharts内置的Faker模块快速生成演示数据。
• 两种调用：学会使用“普通调用”和“链式调用”两种方式构建图表。
• 坐标翻转：通过reversal_axis()方法将柱状图转换为条形图，并调整标签位置以适应新布局。
• 结果交付：了解将图表渲染为独立的HTML文件，以便于分享和嵌入网页。

1. 柱状图：多分类对比的利器

柱状图通过垂直（或水平）柱子的高度（或长度）来比较不同分类下的数值大小。其中一个坐标轴（通常是横轴）代表分类类别，另一个坐标轴（通常是纵轴）代表数值刻度。

适用场景：非常适合用于多个分类间的数据对比，例如比较不同产品、不同地区或不同时间点（非趋势）的销售额、用户数等。 不适用场景：

• 不适合表示数据随时间变化的趋势（折线图更合适）。
• 不适合类别过多的情况，否则会导致图形拥挤，难以辨识。

2. 快速上手：从数据到图表

在深入学习绘图前，我们先认识一个得力助手——Faker模块。它内置了多种类型的示例数据，方便我们快速进行图表原型设计，而无需四处寻找真实数据集。

# 引入Faker模块
from pyecharts.faker import Faker

# 使用Faker生成示例数据
# .values() 生成一个包含7个随机整数的列表（范围约在20-150）
# .choose() 随机返回一个预设的类别名称列表（如服装、饮料、手机品牌等）
categories = Faker.choose()
values = Faker.values()

有了数据，我们就可以开始绘制柱状图。pyecharts 提供了两种编程风格：普通调用与链式调用。前者步骤清晰，后者简洁连贯。普通调用的结构示意如下；完整可运行示例采用链式调用。

bar_simple = Bar()
bar_simple.add_xaxis(categories)
bar_simple.add_yaxis("组A", sales_a)
bar_simple.add_yaxis("组B", sales_b)

from pyecharts import options as opts
from pyecharts.charts import Bar

categories = ["华东", "华南", "华北", "西南"]
sales_a = [120, 98, 76, 64]
sales_b = [80, 72, 61, 48]

# 链式调用绘制分组柱状图
bar = (
    Bar()  # 1. 创建Bar图表实例
    .add_xaxis(categories)  # 2. 设置X轴数据（分类）
    .add_yaxis("组A", sales_a)  # 3. 添加第一个数据系列
    .add_yaxis("组B", sales_b)  # 4. 添加第二个数据系列
)

print("图表类型:", bar.__class__.__name__)
print("分类数量:", len(categories))
print("系列数量:", 2)
print("系列名称:", ["组A", "组B"])

图表类型: Bar
分类数量: 4
系列数量: 2
系列名称: ['组A', '组B']

图表绘制完成后，我们需要将其输出。render() 方法可以把配置和数据写进独立 HTML 文件；默认情况下浏览器仍需联网加载 ECharts 脚本，若要完全离线打开，应把 CurrentConfig.ONLINE_HOST 指向课程提供的本地 assets/ 资源。Jupyter 用户也可以在 Notebook 中调用 render_notebook() 内联显示，本课可运行块统一交付 HTML，避免绑定 Notebook 扩展。

from pyecharts import options as opts
from pyecharts.charts import Bar

categories = ["华东", "华南", "华北", "西南"]
sales_a = [120, 98, 76, 64]
sales_b = [80, 72, 61, 48]
bar2 = (
    Bar()
    .add_xaxis(categories)
    .add_yaxis("组A", sales_a)
    .add_yaxis("组B", sales_b)
)

# 渲染为HTML文件
bar2.render("basic_bar.html")
print("图表已保存为 'basic_bar.html'，可在浏览器中打开查看。")

图表已保存为 'basic_bar.html'，可在浏览器中打开查看。

3. 条形图：柱状图的横向变体

条形图本质上是将柱状图的X轴和Y轴进行翻转，使柱子水平放置。它特别适用于以下场景：

1. 类别名称较长：横向布局为长文本提供了更多空间，避免文字重叠或倾斜。
2. 类别数量较多：网页或文档在垂直方向上的滚动空间通常比水平方向更充裕，更适合展示长列表。

在 pyecharts 中，只需在柱状图的基础上调用 .reversal_axis() 方法即可翻转坐标轴。标签默认位置为 top；坐标翻转后这个位置不再适合水平柱，因此需要通过系列配置项把它改到柱子右侧的 right。

from pyecharts import options as opts
from pyecharts.charts import Bar

categories = ["华东", "华南", "华北", "西南"]
sales_a = [120, 98, 76, 64]
sales_b = [80, 72, 61, 48]

# 绘制条形图
bar3 = (
    Bar()
    .add_xaxis(categories)
    .add_yaxis("组A", sales_a)
    .add_yaxis("组B", sales_b)
    # 设置系列配置：将数据标签显示在柱子右侧
    .set_series_opts(label_opts=opts.LabelOpts(position="right"))
    # 翻转X轴和Y轴，将柱状图变为条形图
    .reversal_axis()
)

# 查看图表配置摘要，确认坐标轴已翻转
print("图表类型（翻转后）:", bar3.__class__.__name__)
print("分类数量:", len(categories))
print("系列数量:", 2)
print("数据标签位置:", "right")

图表类型（翻转后）: Bar
分类数量: 4
系列数量: 2
数据标签位置: right

📝 动手练一练

1. 场景选择：假设你需要向管理层汇报“公司五大产品线本季度的销售额对比”，你会选择柱状图还是条形图？为什么？
2. 代码实践：请使用链式调用的方式，创建一个包含“北京”、“上海”、“广州”、“深圳”四个城市，以及对应“第一季度”和“第二季度”销售额（数据自拟）的分组柱状图，并将图表保存为city_sales.html。

from pyecharts.charts import Bar

# 自拟数据
cities = ["北京", "上海", "广州", "深圳"]
sales_q1 = [420, 580, 390, 510]  # 第一季度销售额（万元）
sales_q2 = [450, 620, 410, 540]  # 第二季度销售额（万元）

chart = (
    Bar()
    .add_xaxis(cities)
    .add_yaxis("第一季度", sales_q1)
    .add_yaxis("第二季度", sales_q2)
)
chart.render("city_sales.html")
print("城市销售额对比图已保存。")

城市销售额对比图已保存。

本章小结

本节我们学习了对比可视化中最基础的两种图表。柱状图以其直观的高度对比，成为分类数据比较的首选。而条形图作为其横向变体，则在处理长文本或多类别时展现出独特优势。通过Faker模块、链式调用和render()方法，我们掌握了从快速原型到成果交付的完整工作流。

📋 行动清单

• 在Python环境中运行本节所有代码块，确保能成功生成HTML文件并在浏览器中查看。
• 修改示例中的 categories、sales_a 和 sales_b，观察图表分类与数值的变化。
• 思考：如果将条形图代码中的.set_series_opts(label_opts=opts.LabelOpts(position="right"))这行去掉，图表会变成什么样子？动手验证你的猜想。

—— 小象教研组