Python Flask 数据可视化_flask



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 Flask
from jinja2 import Markup, Environment, FileSystemLoader
from pyecharts.globals import CurrentConfig


CurrentConfig.GLOBAL_ENV = Environment(loader=FileSystemLoader("./templates/pyecharts"))


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