[Python从零到壹] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解

r囧r小猫 2022-09-07 15:50 63阅读 0赞

欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望我们都能在人生路上开心快乐、共同成长。

**前一篇文章讲述了数据预处理、Jieba分词和文本聚类知识，这篇文章主要介绍Matplotlib和Pandas扩展包绘图的基础用法，同时引入Echarts技术，该技术主要应用于网站可视化展示中。本文内容以实例为主，给读者最直观的图形感受。两万字基础文章，希望对您有所帮助。**

### 文章目录 ###

*  一.Matplotlib可视化分析
 *   *  1.绘制曲线图
     *  2.绘制散点图
     *  3.绘制柱状图
     *  4.绘制饼图
     *  5.绘制3D图形
 *  二.Pandas读取文件可视化分析
 *   *  1.绘制折线对比图
     *  2.绘制柱状图和直方图
     *  3.绘制箱图
 *  三.ECharts可视化技术初识
 *   *  1.ECharts
     *  2.简单示例
 *  四.总结

**下载地址：**

*  [https://github.com/eastmountyxz/Python-zero2one][https_github.com_eastmountyxz_Python-zero2one]

**前文赏析：**

第一部分 基础语法

*  [\[Python从零到壹\] 一.为什么我们要学Python及基础语法详解][Python_ _._Python]
 *  [\[Python从零到壹\] 二.语法基础之条件语句、循环语句和函数][Python_ _.]
 *  [\[Python从零到壹\] 三.语法基础之文件操作、CSV文件读写及面向对象][Python_ _._CSV]

第二部分 网络爬虫

*  [\[Python从零到壹\] 四.网络爬虫之入门基础及正则表达式抓取博客案例][Python_ _. 1]
 *  [\[Python从零到壹\] 五.网络爬虫之BeautifulSoup基础语法万字详解][Python_ _._BeautifulSoup]
 *  [\[Python从零到壹\] 六.网络爬虫之BeautifulSoup爬取豆瓣TOP250电影详解][Python_ _._BeautifulSoup_TOP250]
 *  [\[Python从零到壹\] 七.网络爬虫之Requests爬取豆瓣电影TOP250及CSV存储][Python_ _._Requests_TOP250_CSV]
 *  [\[Python从零到壹\] 八.数据库之MySQL基础知识及操作万字详解][Python_ _._MySQL]
 *  [\[Python从零到壹\] 九.网络爬虫之Selenium基础技术万字详解（定位元素、常用方法、键盘鼠标操作）][Python_ _._Selenium]
 *  [\[Python从零到壹\] 十.网络爬虫之Selenium爬取在线百科知识万字详解（NLP语料构造必备技能）][Python_ _._Selenium_NLP]

第三部分 数据分析和机器学习

*  [\[Python从零到壹\] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)][Python_ _._Numpy_Pandas_Matplotlib_Sklearn_1]
 *  [\[Python从零到壹\] 十二.机器学习之回归分析万字总结全网首发（线性回归、多项式回归、逻辑回归）][Python_ _. 2]
 *  [\[Python从零到壹\] 十三.机器学习之聚类分析万字总结全网首发（K-Means、BIRCH、层次聚类、树状聚类）][Python_ _._K-Means_BIRCH]
 *  [\[Python从零到壹\] 十四.机器学习之分类算法三万字总结全网首发（决策树、KNN、SVM、分类算法对比）][Python_ _._KNN_SVM]
 *  [\[Python从零到壹\] 十五.文本挖掘之数据预处理、Jieba工具和文本聚类万字详解][Python_ _._Jieba]
 *  [\[Python从零到壹\] 十六.文本挖掘之词云热点与LDA主题分布分析万字详解][Python_ _._LDA]
 *  \[Python从零到壹\] 十七.可视化分析之Matplotlib、Pandas、Echarts入门万字详解

第四部分 Python图像处理

第五部分 NLP与文本挖掘

第六部分 人工智能入门知识

第七部分 图像识别与目标检测

第八部分 网络攻防与AI安全

第九部分 知识图谱构建实战

第十部分 人工智能高级案例

> 作者新开的“娜璋AI安全之家”将专注于Python和安全技术，主要分享Web渗透、系统安全、人工智能、大数据分析、图像识别、恶意代码检测、CVE复现、威胁情报分析等文章。虽然作者是一名技术小白，但会保证每一篇文章都会很用心地撰写，希望这些基础性文章对你有所帮助，在Python和安全路上与大家一起进步。

--------------------

可视化技术是将数据转换成图形或图像呈现在屏幕上，再进行视觉交互。在数据分析中，可视化是非常重要的环节，它通过呈现图形图像直观的体现数据或算法的好坏，给读者最直观的视觉信息。

# 一.Matplotlib可视化分析 #

基础用法参考前文：

*  [\[Python从零到壹\] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)][Python_ _._Numpy_Pandas_Matplotlib_Sklearn_1]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 1]

## 1.绘制曲线图 ##

首先简单地绘制三条直线，其斜率分别为0.5、1.5和3.0，完整代码如下：

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np  
    import matplotlib.pyplot as plt  
    X = np.arange(0,4)
    print(X)
    plt.plot(X, X*0.5, label="y=x*0.5")
    plt.plot(X, X*1.5, label="y=x*1.5")
    plt.plot(X, X*3.0, label="y=x*3.0")
    plt.legend()
    plt.show()

输出如图所示，其中X为数组\[0,1,2,3\]，X×0.5表示数组元素都乘以0.5，其结果为：\[0,0.5,1.0,1.5\]，同理X×1.5结果为：\[0.0,1.5,3.0,4.5\]。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 2]

*  **import matplotlib.pyplot as plt**  
    表示调用Matplotlib子类pyplot绘图，并as重命名为plt，方便代码调用。
 *  **plt.plot(X, X*0.5, label="y=x*0.5")**  
    表示调用plot()绘图，参数分别为X坐标、Y坐标和标签label。
 *  **plt.legend()**  
    显示右上角的图标，每条线对应label的含义。
 *  **plt.show()**  
    最后调用该函数显示绘制好的图形。

下面将上图绘制成不同类型的线条。核心修改代码如下：

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np  
    import matplotlib.pyplot as plt
    
    X = np.arange(0,4)
    print(X)
    plt.plot(X, X*0.5, "r-", label="y=x*0.5")
    plt.plot(X, X*1.5, "y--", label="y=x*1.5")
    plt.plot(X, X*3.0, "g:", label="y=x*3.0")
    plt.legend()
    plt.show()

其中，"r-"表示红色直线，"y–"表示黄色虚线，"g:"表示绿色点线，输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 3]

但是上图绘制的图形有点细，怎么解决呢？设置参数linewidth=2.0即可，参考下面的代码，Matplotlib绘制sin函数和cos函数曲线。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np  
    import matplotlib.pyplot as plt
    
    X = np.linspace(-np.pi,np.pi,256,endpoint=True)
    C = np.cos(X)
    S = np.sin(X)
    plt.plot(X, C, color="blue", linewidth=2.0, linestyle="-", label="$sin(x)$")
    plt.plot(X, S, color="red", linewidth=2.0, linestyle="--", label="$cos(x)$")
    plt.legend()
    plt.show()

代码 np.linspace(-np.pi,np.pi,256,endpoint=True) 表示输出负π（-np.pi）到正π（np.pi）范围，然后调用numpy库的cos()函数和sin()函数计算C值和S值，最后调用plt.plot()绘制直线图，plot()函数中的参数含义如下：

*  X：横坐标或X坐标值
 *  C\\S：纵坐标或Y坐标值，设置为C值和S值
 *  color：直线的颜色，blue表示蓝色、red报表时红色，可以简写如"r"
 *  linewidth：绘制线条的粗细程度
 *  linestyle：设置线条的款式，-表示直线、–表示虚线、:表示点线、-.表示点划线
 *  label：设置绘制曲线的标签

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 4]

最后，感兴趣的同学可以绘制自己喜欢的曲线，下面代码是绘制浪漫的心形函数（笛卡尔曲线）。Python可视化分析可以应用于更多的曲线绘制，比如在数据拟合、回归分析、数学分析等领域绘制曲线。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np
    import matplotlib.pyplot as plt
    
    x = np.linspace(-8 , 8, 1024)
    y1 = 0.618*np.abs(x) - 0.8* np.sqrt(64-x**2)
    y2 = 0.618*np.abs(x) + 0.8* np.sqrt(64-x**2) 
    plt.plot(x, y1, color = 'r')
    plt.plot(x, y2, color = 'r')
    plt.show()

输出如图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 5]

--------------------

## 2.绘制散点图 ##

Python调用Matplotlib绘制散点图有两种方法，一种是调用scatter()函数实现，另一种方法是调用plot()函数实现，这里主要讲述scatter()函数绘制散点图的方法。从给出的一堆随机点（包含x、y坐标）中调用scatter()绘制散点图，代码如下。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np
    import matplotlib.pyplot as plt
    
    #构造数据
    x = np.random.randn(200)
    y = np.random.randn(200)
    print(x[:10])
    print(y[:10])
    
    #绘制散点图
    plt.scatter(x, y)
    plt.show()

numpy中有一些用来产生随机数的常用函数，randn()和rand()就属于其中。

*  numpy.random.randn(d0, d1, …, dn)：从标准正态分布中返回一个或多个样本值。
 *  numpy.random.rand(d0, d1, …, dn)：产生随机样本，并且数字位于\[0, 1\]中。

代码中产生了200个服从标准正态分布的随机样本点，对应x数组和y数组，前10行输出如下：

[-0.94086693 -0.92910167 -0.83885859 -0.50927277  2.12230463  0.45695791
     -0.59766636 -0.62862962  0.28245908  1.46415206]
    [ 0.43828148  0.76547797  1.18670217  0.31996158  0.00350372  1.02620566
      3.04573837 -0.59712547  0.45061506 -1.63996253]

产生的200个随机散点图如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 6]

为了区分点，scatter()提供了参数设置不同点的颜色及大小，其中s参数指定大小，c参数指定颜色，随机为这200个点分配不同的大小及颜色，代码如下。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np
    import matplotlib.pyplot as plt
    
    #构造数据
    x = np.random.randn(200)
    y = np.random.randn(200)
    print(x[:10])
    print(y[:10])
    size = 50*np.random.randn(200) 
    colors = np.random.rand(200) 
    
    #绘制散点图
    plt.scatter(x, y, s=size, c=colors)
    plt.show()

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 7]

在进行聚类、分类分析中，通常会将不同类型的数据标识成一组（类标），而对应的可视化操作也是将散点图绘制成不同的颜色或形状。下面代码即是分成三种不同类型的点集。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np
    import matplotlib.pyplot as plt
    
    #随机产生90个二维数组
    x = np.random.rand(90,2)
    print(x)
    
    #numpy中ones()用来构造全一矩阵
    label = list(np.ones(40))+list(2*np.ones(30))+list(3*np.ones(20)) #类标label为1、2、3
    label = np.array(label)
    print(label)
    print(type(label))
    
    idx1 = np.where(label == 1)
    idx2 = np.where(label == 2)
    idx3 = np.where(label == 3)
    
    #绘图 参数：x值、y值、点样式、颜色、类标、粗细
    p1 = plt.scatter(x[idx1,0], x[idx1,1], marker = 'x', color = 'r', label='1', s = 40)
    p2 = plt.scatter(x[idx2,0], x[idx2,1], marker = '+', color = 'b', label='2', s = 30)
    p3 = plt.scatter(x[idx3,0], x[idx3,1], marker = 'o', color = 'c', label='3', s = 20)
    plt.legend(loc = 'upper right')
    plt.show()

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 8]

代码中调用np.random.rand(90,2)函数随机成才90个二维数组，分别对应90个点，其中x\[indx1,0\]表示获取第一维坐标作x轴，x\[indx1,1\]表示获取第二维坐标作y轴。然后调用np.ones()函数构造全是1的矩阵，生成的变量label对应90个点的类标，前40个点类标为1、中间30个点类标为2、最后20个点类标为3。最后调用plt.scatter()函数绘制散点图，即：

*  plt.scatter(x\[idx1,0\], x\[idx1,1\], marker = ‘x’, color = ‘r’, label=‘1’, s = 40)

代码表示绘制类标（label）为1的散点，其他参数包括x值和y值，设置点样式（marker= ‘x’）为叉形，设置颜色（color = ‘r’）为红色，粗细为40。

这部分主要讲述了scatter()函数绘制散点图，后面的聚类和分类分析中也会讲解另一种方法plot()绘制散点图。

--------------------

## 3.绘制柱状图 ##

柱状图主要用于直观的对比统计数据，是常用的一种数学统计图形。下列代码是产生四个用户的随机月消费数据，然后调用bar()函数绘制图形。代码如下：

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import numpy as np
    import matplotlib.pyplot as plt
    
    #随机产生4个整数(0到100之间)
    data = np.random.randint(0,100,4) 
    print(data)
    
    ind = np.arange(4)  #四个用户
    print(ind)
    width = 0.35        #设置宽度 
    x = ['UserA', 'UserB', 'UserC', 'UserD']
    
    plt.bar(ind, data, width, color='green', label='Data')
    plt.xlabel("Username")
    plt.ylabel("Consumption")
    plt.title("Compare four user monthly consumption data")
    plt.legend()
    plt.xticks(ind+width/2, x, rotation=40) #旋转40度
    plt.show()

核心代码详解如下：

*  np.random.randint(0,100,4)  
    随机生成0到100之间的4个随机数，输出为\[3 66 98 42\]。
 *  plt.bar(ind, data, width, color=‘green’, label=‘Data’)  
    调用bar()函数绘制柱状图，其中ind表示用户的序号，0到3共四个用户；data表示柱状图对应的高度或值；width设置柱状图之间的间隔宽度，即0.35；最后设置颜色类标。
 *  plt.xticks(ind+width/2, x, rotation=40)  
    设置X轴坐标值的位置和旋转度数，ind+width/2表示间隔中间的位置显示标签，显示的值为四个用户名\[UserA, UserB, UserC, UserD\]，并且旋转40度。

其他设置标题、X轴、Y轴前面已经叙述，这里不再解释。最后输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 9]

下图是柱状图的扩展版，它是对学习、旅游、看剧、聊天四个选项男女比例的对比。采用np.array()定义数组，然后根据男女比例进行绘图。完整代码如下：

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import matplotlib.pyplot as plt
    import numpy as np
    
    num = np.array([1342, 6092, 4237, 8219])   #数量
    ratio = np.array([0.75, 0.76, 0.72, 0.75]) #男性占比
    men = num * ratio
    women = num * (1-ratio)
    x = ['学习',u'旅游',u'看剧',u'聊天']
    
    plt.rc('font', family='SimHei', size=13)   #中文字体显示
    
    width = 0.5
    idx = np.arange(4)
    plt.bar(idx, men, width, color='red', label='男性用户')
    plt.bar(idx, women, width, bottom=men, color='yellow', label='女性用户')
    plt.xticks(idx+width/2, x, rotation=40)
    plt.legend()
    plt.show()

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 10]

--------------------

## 4.绘制饼图 ##

绘制饼图主要调用plt.pie()函数实现，这里仅举个简单示例供大家学习，输出下图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 11]

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import matplotlib.pyplot as plt
    
    #每一块占得比例，总和为100
    mm = [45, 30, 25]             
    n = mm[0]+mm[1]+mm[2]
    a = (mm[0]*1.0*100/n)
    b = (mm[1]*1.0*100/n)
    c = (mm[2]*1.0*100/n)
    fracs = [a, b, c]
    print(a, b, c, n)
    
    #离开整体的距离
    explode=(0, 0, 0.08)
    labels = 'A', 'B', 'C'
    
    #绘制图形
    plt.pie(fracs, explode=explode, labels=labels, autopct='%1.1f%%',
            shadow=True, startangle=90, colors = ("c", "r", "y"))
    plt.show()

首先计算a、b、c所占mm的比例，输出值为\[45.0, 30.0, 25.0\]。接下来:

*  调用plt.pie()绘制饼状图，参数fracs表示占比；
 *  explode表示离开整体圆形的距离，比如C离开了0.08的距离；
 *  labels表示类标；autopct=’%1.1f%%'表示显示的数据保留一位小数；
 *  shadow=True表示图形存在阴影；
 *  startangle表示开始的角度，默认值为0。

从此处开始按逆时针方向依次展开显示A、B、C三个板块，颜色依次为青色、红色、黄色。

--------------------

## 5.绘制3D图形 ##

Python调用Axes3D子类实现绘制3D图形，绘制3D坐标代码如下：

import matplotlib.pyplot as plt            #绘图用的模块
    from mpl_toolkits.mplot3d import Axes3D    #绘制3D坐标的函数
    fig1=plt.figure()                          #创建一个绘图对象
    ax=Axes3D(fig1)                           #用这个绘图对象创建一个Axes对象
    plt.show()                                #显示模块中所有绘图对象

绘制的3D坐标如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 12]

更多的3D绘图方法请读者下来研究，因为本书主要以数据2D图形可视化为主，下面的代码是一个简单绘制3D图形的实例，包含详细注释。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    from matplotlib import pyplot as plt
    import numpy as np
    from mpl_toolkits.mplot3d import Axes3D  # 绘制3D坐标的函数
    
    fig = plt.figure()               #创建一个绘图对象
    ax = Axes3D(fig)                 #用这个绘图对象创建一个Axes对象
    X = np.arange(-2, 2, 0.25)       #X轴-2到2之间
    Y = np.arange(-2, 2, 0.25)       #Y轴-2到2之间
    print(Y)
    
    X, Y = np.meshgrid(X, Y)         #用两个坐标轴上的点在平面上画格
    R = np.sqrt(X**2 + Y**2)         #X和Y的平方和开根号
    Z = np.sin(R)                    #计算sin函数赋值为Z坐标
    
    #具体函数方法可用 help(function) 查看，如：help(ax.plot_surface)
    ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')
    
    #给三个坐标轴注明
    ax.set_xlabel('x label', color='r')  
    ax.set_ylabel('y label', color='g')  
    ax.set_zlabel('z label', color='b')
    
    plt.show()

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 13]

--------------------

# 二.Pandas读取文件可视化分析 #

本小节主要讲述Pandas读取文件进行可视化分析的常用操作。假设存在2002年到2014年北京、上海、贵阳、武汉、长沙五个城市的商品房房价信息（虚构数据），如表所示，并存储在test16.csv文件中。作者将结合Pandas扩展包对其数据集进行可视化讲解。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 14]

year	Beijing	Shanghai	Guiyang	Wuhan	Changsha
    2002	4764	4134	1643	1928	1802
    2003	4737	5118	1949	2072	2040
    2004	5020.93	5855	1801.68	2516.32	2039.09
    2005	6788.09	6842	2168.9	3061.77	2313.73
    2006	8279.51	7196	2372.66	3689.64	2644.15
    2007	11553.26	8361	2901.63	4664.03	3304.74
    2008	12418	8195	3149	4781	3288
    2009	13799	12840	3762	5329	3648
    2010	17782	14464	4410	5746	4418
    2011	16851.95	14603.24	5069.52	7192.9	5862.39
    2012	17021.63	14061.37	4846.14	7344.05	6100.87
    2013	18553	16420	5025	7717	6292
    2014	18833	16787	5608	7951	6116

## 1.绘制折线对比图 ##

绘制折线对比图代码见源文件。

# -*- coding: utf-8 -*- 
    #By:Eastmount CSDN
    import pandas as pd
    import matplotlib.pyplot as plt
    
    #读取文件并显示前6行数据 index_col用作行索引的列名
    data = pd.read_csv("data.csv",index_col='year')   
    print(data.shape)  
    print(data.head(6))  
    
    plt.rcParams['font.sans-serif'] = ['simHei'] #用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False   #用来正常显示负号
    
    data.plot()
    plt.savefig(u'test.png', dpi=500)
    plt.show()

输出如图所示，最上面蓝线为“北京”的房价，接着绿线为“上海”的房价，接下来的三条线从上往下依次为青色线“武汉”房价、紫色线“长沙”房价、“红色”线长沙房价。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 15]

同时，输出的前六行数据如下：

>>> 
    (13, 5)
           Beijing  Shanghai  Guiyang    Wuhan  Changsha
    year                                                
    2002   4764.00    4134.0  1643.00  1928.00   1802.00
    2003   4737.00    5118.0  1949.00  2072.00   2040.00
    2004   5020.93    5855.0  1801.68  2516.32   2039.09
    2005   6788.09    6842.0  2168.90  3061.77   2313.73
    2006   8279.51    7196.0  2372.66  3689.64   2644.15
    2007  11553.26    8361.0  2901.63  4664.03   3304.74
    >>>

重点知识是：

1.  调用pandas扩展包的read\_csv()函数读取数据并绘制图形，其中读取数据时的index\_col参数表示获取了年份（year）索引，按照年份绘图。
2.  plt.rcParams代码用于设置中文字符和显示负号。
3.  savefig(‘test16.png’, dpi=500)函数将在本地存储一张“test.png”的图片，像素为500。

如果读者想仅仅获取某一个城市的房价，比如“贵阳”，再绘制成折线图，如何实现呢？核心代码如下：

*  **data = pd.read\_csv(“test16.csv”,index\_col=‘year’)**  
    读取data.csv文件数据，并且获取其索引为年份（year），即第一列数据，并将读取的结果赋值给data变量。
 *  **gy = data\[‘Guiyang’\]**  
    获取data数组中“Guiyang”的一列数据，即贵阳的房价数据，并赋值给gy变量。获取数据的两种表示方法：data\[‘Guiyang’\]或data.Guiyang。

下图为贵阳市商品房价的折线增长图。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 16]

--------------------

## 2.绘制柱状图和直方图 ##

下面针对贵阳的商品房房价数据集进行柱状图绘制，调用Pandas提供的plot()函数。plot()默认是生成曲线图，可以通过kind参数生成其他类型的图形，可选值为：line（折线图）、bar（条图）、barh（横向柱状图）、kde（密度图）、density（密度图）、scatter（散点图）。完整代码如下：

# -*- coding: utf-8 -*-
    #By:Eastmount CSDN
    import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv("data.csv", index_col='year')    
    plt.rcParams['font.sans-serif'] = ['simHei']
    plt.rcParams['axes.unicode_minus'] = False 
    
    #在图表中创建子图 4个子图
    p1 = plt.subplot(221)   
    data['Beijing'].plot(color='r', kind='bar')
    plt.sca(p1)
    
    p2 = plt.subplot(222)   
    data['Guiyang'].plot(color='y', kind='barh')
    plt.sca(p2)
    
    p3 = plt.subplot(223)
    data.Shanghai.plot(kind='line')
    plt.sca(p3)
    
    p4 = plt.subplot(224)   
    data['Changsha'].plot(kind='kde')
    plt.sca(p4)
    plt.show()

输出如下图所示，需要注意采用plt.subplot(221)函数增加子图，22表示共4（2\*2）个子图，1表示第一张图；plt.subplot(223)函数表示绘制第三个子图。代码plt.sca(p3)用于增加子图，最后调用plt.show()函数显示。

Pandas的DataFrame提供的plot()函数设置参数绘制不同类型图形，第一张为北京市房价数据对应的柱状图（bar），第二张为贵阳市的横向柱状图（barh），第三张显示上海市房价数据对应的折线图，第四张为长沙市的概率密度图。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 17]

如果想生成累积柱状图，则只需指定stacked=True即可，核心代码：

# -*- coding: utf-8 -*-
    #By:Eastmount CSDN
    import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv("data.csv", index_col='year')    
    data.plot(kind='bar', stacked=True)
    plt.show()

输出如图所示。从图中可以对比五个城市2002年到2014年的商品房价信息，并采用不同颜色进行区分。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 18]

如果想对比不同子图，可以利用参数subplots绘制DataFrame中每个序列对应的子图。核心代码如下：

data.plot(color='y', kind='barh', subplots=True)
    plt.show()

输出如图所示，对比五个城市的房价信息。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 19]

下面简单讲解绘制直方图。你或许会疑惑直方图和柱状图有什么区别呢？

直方图是用来描述等距数据或等比数据，直观上，直方图矩形之间是衔接在一起的，表示数据间的数学关系；柱形图则留有空隙，表示仅作为两个或多个不同的类，而不具有数学相关性质。直方图的Y轴是频率，柱形图的Y轴可以是数值。

直方图是一种展示数据频数或频率的特殊柱状图，y 轴是频数或频率的度量，既可以是频数（计数）也可以是频率（占比）。下面这段代码是绘制随机产生的1000个点的直方图。

# -*- coding: utf-8 -*-
    #By:Eastmount CSDN
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    
    data = np.random.normal(5.0, 3.0, 1000)  # mean=5.0 rms=3.0
    pData = pd.DataFrame(data)
    print(pData)
    print(type(pData))
    p1 = pData.hist(histtype='stepfilled',bins=30,normed=True)
    plt.show()

这里调用pd.DataFrame(data)函数将numpy随机产生的1000个点数组转换为DataFrame类型，然后再调用hist()函数绘制直方图。其中，参数histtype='stepfilled’表示连续显示，柱状图之间没有间隔线；bins=30表示将区间设置为30，即为直方图的宽度，默认是10个区间；normed=True表示将直方图标准化处理。生成图形如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 20]

--------------------

## 3.绘制箱图 ##

箱图是一种用于表示分布的图形，展示数据的分布情况，由五个分位数组成，具体包括上四分位数、下四分位数、中位数以及上下5%的极值。下面是Python调用Pandas扩展包绘制箱图的源码。

# -*- coding: utf-8 -*-
    #By:Eastmount CSDN
    import pandas as pd
    import matplotlib.pyplot as plt
    
    data = pd.read_csv("data.csv",index_col='year')    
    gy = data['Guiyang']  
    gy.plot(kind='box')
    plt.show()

下图为绘制的贵阳房价箱图，同样可以调用DataFrame的boxplot()函数绘制箱图。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 21]

讲到这里，Python调用Matplotlib和Pandas进行可视化分析的两种最常用方法已经介绍完毕。Matplotlib作为众多Python可视化包的鼻祖，其功能是非常强大和复杂的，其他很多工具都是基于Matplotlib的轻量级封装，比如Pandas、Seaborn等。

其中，Seaborn是一个基于Matplotlib的可视化库，旨在使默认的数据可视化更加悦目，简化复杂图表的创建，可以与Pandas很好地集成。这里就不再叙述，仅举一个调用Seaborn扩展包绘制热点图的简单示例，代码如下。

# -*- coding: utf-8 -*-
    #By:Eastmount CSDN
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    data = pd.read_csv("data.csv",index_col='year')
    data = data.corr()
    sns.heatmap(data)
    plt.show()

输出如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 22]

--------------------

# 三.ECharts可视化技术初识 #

数据可视化是指将结构或非结构数据转换为可视化的图表，可视化技术能将数据以更加直观的形式呈现出来，从而增加数据的说服力及客观性。本书主要结合Python讲解数据分析的可视化技术，包括前面的Matplotlib和Pandas扩展包，而更多的开源图表库也能给大家提供美观、简洁的图形，ECharts是经典的一款网站可视化图标库。

本书的另一个宗旨是让读者了解一些相关或比较前沿的信息技术知识，这些扩展知识可能给您提供一些想法或解决一些难题，这里作者简单普及下ECharts技术。

## 1.ECharts ##

ECharts是一个纯 JavaScript 的图表库，能流畅的运行在电脑端和移动设备上，兼容当前绝大部分主流浏览器（包括IE8/9/10/11、Chrome、Firefox、Safari等），底层依赖轻量级的 Canvas 类库 ZRender，提供直观、生动、可交互和个性化定制的数据可视化图表。

ECharts 提供了常规的折线图、柱状图、散点图、饼图、K线图，用于统计的盒形图，用于地理数据可视化的地图、热力图、线图，用于关系数据可视化的关系图、Treemap、多维数据可视化的平行坐标，还有用于 BI 的漏斗图、仪表盘等，并且支持图与图之间的混搭。

下图显示ECharts官网示例，推荐大家从官网进行学习，它提供了详细的实例及使用文档。ECarts官网为：

*  [http://echarts.baidu.com/][http_echarts.baidu.com]

下面通过简单示例介绍ECharts入门知识，它广泛应用于网站及可视化项目中。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 23]

--------------------

## 2.简单示例 ##

**1.下载相关文件**  
首先，下载最新的echarts.min.js文件，它提供了ECharts多种图形的支撑库。下载地址为：http://echarts.baidu.com/download.html，打开网址显示的下载页面如图所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 24]

**2.Script配置文件**  
然后需要在中引入已经下载的echarts.min.js文件，它提供了ECharts多种图形绘制的支撑库文件，并调用ECharts图标库。核心代码如下：

<!DOCTYPE html>
    <html>
    <head>
        <meta charset="utf-8">
        
        <script src="echarts.min.js"></script>
    </head>
    </html>

**3.绘制图形**  
下面blog17\_01.html代码是绘制贵州省六个城市的柱状图，在代码中引入ECharts后，可以直接调用。

核心代码 ：

*  **var myChart = echarts.init(document.getElementById(‘main’))**

初始化ECharts实例，获取id为main的div布局，并赋值给myChart变量，后面直接调用myChart变量中的函数，var在JavaScript中用于声明变量。然后在option中可以定义图形的标题（title）、坐标（tooltip）、标注图（legend）、X下标（xAxis）等。最后调用myChart.setOption(option)函数显示刚指定的配置项和数据图表。

<!DOCTYPE html>
    <html>
    <head>
        <meta charset="utf-8">
        <title>ECharts</title>
        
        <script src="echarts.min.js"></script>
    </head>
    <body>
        
        <div id="main" style="width: 600px;height:400px;"></div>
        <script type="text/javascript"> // 基于准备好的区域，初始化echarts实例 var myChart = echarts.init(document.getElementById('main')); // 指定图表的配置项和数据 var option = { title: { text: 'ECharts 入门示例' }, tooltip: { }, legend: { data:['数量'] }, xAxis: { data: ["贵阳市","遵义市","凯里市","六盘水市","都匀市","毕节市"] }, yAxis: { }, series: [{ name: '数量', type: 'bar', data: [5, 20, 36, 10, 10, 20] }] }; // 使用刚指定的配置项和数据显示图表。 myChart.setOption(option); </script>
    </body>
    </html>

输出如图所示，其中X轴分别对应贵州省的几个城市，包括贵阳市、遵义市、凯里市、六盘水市、都匀市和毕节市，对应代码为：

*  xAxis: \{data: \[“贵阳市”,“遵义市”,“凯里市”,“六盘水市”,“都匀市”,“毕节市”\]\}

Y轴对应这六个城市的某种数据统计值，当鼠标选中某个柱状图，则会提示该城市的统计数值，比如凯里市的为36，统计数值对应的代码为：

*  series: \[\{name: ‘数量’, type: ‘bar’, data: \[5, 20, 36, 10, 10, 20\] \}\]

最后将绘制的图形显示在id为“main”的div布局中，如下所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 25]

更多图形绘制推荐大家从官网选择学习，ECharts技术真的很实用又博大精深，被广泛应用于网站开发，尤其是对全世界、全国、各省进行地图数据统计分析时，比如统计全国各省份的GDP值、全省各市州的人口规模等。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 26]

下一篇文章我将详细介绍PyEcharts基础知识。

--------------------

# 四.总结 #

数据可视化旨在借助于图形化手段，清晰有效地传达与沟通信息，它与信息图形、信息可视化、统计图形密切相关。Python通过调用可视化分析库实现图形绘制，以直观的形式反映数据的特点或结果的好坏，常用的扩展包包括Matplotlib、Pandas、Seaborn等，同时如果您使用Python开发网站，建议读者可以结合ECharts技术进行可视化处理，这些可视化分析技术对您的科研结果呈现或项目数据展示都很有帮助。

**该系列所有代码下载地址：**

*  [https://github.com/eastmountyxz/Python-zero2one][https_github.com_eastmountyxz_Python-zero2one]

**感谢在求学路上的同行者，不负遇见，勿忘初心。这周的留言感慨～**

![在这里插入图片描述][20210623125327751.png_pic_center]

(By:娜璋之家 Eastmount 2021-08-24 夜于武汉 [https://blog.csdn.net/Eastmount][https_blog.csdn.net_Eastmount] )

--------------------

**参考文献：**

*  \[1\] 杨秀璋. 专栏：知识图谱、web数据挖掘及NLP - CSDN博客\[EB/OL\]. （2016-09-19）\[2017-11-07\]. http://blog.csdn.net/column/details/eastmount-kgdmnlp.html.
 *  \[2\] matplotlib. Matplotlib官网\[EB/OL\]. （2002-2017）\[2017-11-10\]. http://matplotlib.org.
 *  \[3\] scikit-learn. Scikit-Learn官网\[EB/OL\]. （2017）\[2017-11-10\].http://scikit-learn.org/  
    stable/.
 *  \[4\] pandas. Pandas官网\[EB/OL\]. （2017）\[2017-11-10\]. http://pandas.pydata.org/.
 *  \[5\] 张良均，王路，谭立云，苏剑林. Python数据分析与挖掘实战\[M\]. 北京：机械工业出版社，2016.
 *  \[6\] （美）Wes McKinney著. 唐学韬等译. 利用Python进行数据分析\[M\]. 北京：机械工业出版社，2013.
 *  \[7\] 杨秀璋.\[Python数据挖掘课程\] 六.Numpy、Pandas和Matplotlib包基础知识\[EB/OL\] . （2016-11-17）\[2017-11-15\]. http://blog.csdn.net/eastmount/article/details/53144633.
 *  \[8\] 杨秀璋. \[Python数据挖掘课程\] 七.PCA降维操作及subplot子图绘制\[EB/OL\]. （2016-11-26）\[2017-11-18\]. http://blog.csdn.net/eastmount/article/details/53285192.
 *  \[9\] 杨秀璋. \[python数据挖掘课程\] 十.Pandas、Matplotlib、PCA绘图实用代码补充\[EB/OL\]. （2017-03-07）\[2017-11-18\]. http://blog.csdn.net/eastmount/article/details/60675865
 *  \[10\] powerbaby. 用Pandas作图\[EB/OL\]. （2016-02-23）\[2017-11-18\]. http://www.360doc.com/  
    content/16/0223/21/7249274\_536782559.shtml.
 *  \[11\] Seaborn. Seaborn：statistical data visualization\[EB/OL\]. （2017）\[2017-11-18\]. http://seaborn.pydata.org/.
 *  \[12\] echarts.Echarts中文官网\[EB/OL\].（2017）\[2017-11-18\].http://echarts.baidu.com/index.html.
 *  \[13\] 杨秀璋. \[Echarts可视化\] 二.php和ajax连接数据库实现动态数据可视化\[EB/OL\]. （2017-06-02）\[2017-11-18\]. http://blog.csdn.net/eastmount/article/details/72847067.

[https_github.com_eastmountyxz_Python-zero2one]: https://github.com/eastmountyxz/Python-zero2one
[Python_ _._Python]: https://blog.csdn.net/Eastmount/article/details/108172132
[Python_ _.]: https://blog.csdn.net/Eastmount/article/details/108479670
[Python_ _._CSV]: https://blog.csdn.net/Eastmount/article/details/108737755
[Python_ _. 1]: https://blog.csdn.net/Eastmount/article/details/108887652
[Python_ _._BeautifulSoup]: https://blog.csdn.net/Eastmount/article/details/109497225
[Python_ _._BeautifulSoup_TOP250]: https://blog.csdn.net/Eastmount/article/details/113830488
[Python_ _._Requests_TOP250_CSV]: https://blog.csdn.net/Eastmount/article/details/113830604
[Python_ _._MySQL]: https://blog.csdn.net/Eastmount/article/details/114331974
[Python_ _._Selenium]: https://blog.csdn.net/Eastmount/article/details/117376267
[Python_ _._Selenium_NLP]: https://blog.csdn.net/Eastmount/article/details/118147562
[Python_ _._Numpy_Pandas_Matplotlib_Sklearn_1]: https://blog.csdn.net/Eastmount/article/details/118302426
[Python_ _. 2]: https://blog.csdn.net/Eastmount/article/details/118435877
[Python_ _._K-Means_BIRCH]: https://blog.csdn.net/Eastmount/article/details/118518130
[Python_ _._KNN_SVM]: https://blog.csdn.net/Eastmount/article/details/118524484
[Python_ _._Jieba]: https://blog.csdn.net/Eastmount/article/details/119464508
[Python_ _._LDA]: https://blog.csdn.net/Eastmount/article/details/119538373
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center]: /images/20220829/81629579a4034b13aea4464ea10975a5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20220829/0e60e1feef234cafafeac5f81e754dc1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20220829/7d4ffc8d2ae6499ab06728f3abaf59f7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20220829/f2ba0a5f36d34d449391de9a7e249759.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20220829/54c4d9efa5c34939b851a6f744566087.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20220829/a3860393611b4892be19433cef042e3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20220829/f3e9402808e349e984499ea254eb1d23.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20220829/bd5a640f002d4d1095e259ef9fb48ba7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20220829/cf819f5b977948578b847381781cf777.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20220829/51cad7d051ee480489c640b168008128.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20220829/672f276bd109420892191963dbd1bddd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20220829/8201ae2ac6004b31a89ddc165b4d6384.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20220829/e5b558b2557444e08ba8aa7dc8477e23.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 13]: /images/20220829/dd44ec7d9c4c44f49137b21fbdd9da46.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 14]: /images/20220829/ffacfe3934534bf7a88121b20bfe79d4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 15]: /images/20220829/98b62e6190ef4f00bc28b0a2048120ad.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 16]: /images/20220829/ba9e18840db64df7ba486c5d51bcfee6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 17]: /images/20220829/121ff97614834e099cb63a4dab0d98c2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 18]: /images/20220829/2e722173208a484790edccd1996b3cd1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 19]: /images/20220829/1861aa9e887a440dabf320b2d3c30baa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 20]: /images/20220829/e69e2644590c4e4890bb22083d70599a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 21]: /images/20220829/90c5568e36074052b9594633bd0b8e8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 22]: /images/20220829/1fa489bf01dd4c5e9431cbfda1bcb760.png
[http_echarts.baidu.com]: http://echarts.baidu.com/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 23]: /images/20220829/c481888b1f244688951113c261e24480.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 24]: /images/20220829/92947d28b1dd4ed99f222bbc9ddee85e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 25]: /images/20220829/d6f070e266894b8d813e130bdb8fc491.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Vhc3Rtb3VudA_size_16_color_FFFFFF_t_70_pic_center 26]: /images/20220829/9a03945ebd5a4cc58620da3bb9da5423.png
[20210623125327751.png_pic_center]: /images/20220829/4271a47cedc64dc4939497e11b004c3d.png
[https_blog.csdn.net_Eastmount]: https://blog.csdn.net/Eastmount