Python Flask 数据可视化

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 中对图表的各种操作，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：

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())

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操作
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" style="width:1000px; height:600px;"></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()

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_snapshot
from snapshot_selenium import snapshot
def 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 c
make_snapshot(snapshot, bar_chart().render(), "bar0.png")

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

pyecharts: http://pyecharts.org/#/zh-cn/
https://selenium-python.readthedocs.io/installation.html#drivers
https://www.echartsjs.com/examples/zh/index.html

示例代码：https://github.com/JustDoPython/python-100-day/tree/master/flask_pyecharts

pyecharts 简介

图表类

全局配置

系列配置

pyecharts 安装

Flask 集成

模板渲染

第一步下载 pyecharts 的模板

第二步将模板放入项目目录下

第三步渲染图表

前后分离

第三步创建前台页面

第四步编写后台相应方法

定时全量更新

定时增量更新

后台数据处理

渲染图片

安装 snapshot-selenium

使用

总结

参考

更多相关文章

随机推荐

Python Flask 数据可视化

pyecharts 简介

图表类

全局配置

系列配置

pyecharts 安装

Flask 集成

模板渲染

第一步 下载 pyecharts 的模板

第二步 将模板放入项目目录下

第三步 渲染图表

前后分离

第三步 创建前台页面

第四步 编写后台相应方法

定时全量更新

定时增量更新

后台数据处理

渲染图片

安装 snapshot-selenium

使用

总结

参考

更多相关文章

随机推荐

第一步下载 pyecharts 的模板

第二步将模板放入项目目录下

第三步渲染图表

第三步创建前台页面

第四步编写后台相应方法