大家好，我是Python进阶者。

一、前言

大家好，我是Python进阶者。上一篇文章给大家讲到了淘宝数据的预处理和词频处理，没有来得及看的小伙伴，记得去学习了下了，详情戳这里：手把手教你用Pandas库对淘宝原始数据进行数据处理和分词处理。这篇文章紧接着上一篇文章处理得到的数据进行可视化处理，一起来看看吧!

二、可视化

可视化部分，我们采用Pyecharts库来进行完成，这个库作图十分的炫酷，而且可以交互，十分带感，强烈推荐。关于这部分，小编以生成配料图表和生成保质期可视化图表为例来进行展开。

1、生成配料饼图

针对配料数据，我们使用一个饼图去进行展示，这样显得更加高大上一些，直接上代码。

# 生成配料图表 def get_ingredients_html(df):     # 词表分词     names = df.配料表.apply(jieba.lcut).explode()     df1 = names[names.apply(len)>1].value_counts()     # 写入分词后的结果     with pd.ExcelWriter("淘宝商品配料数据.xlsx") as writer:         df1.to_excel(writer, sheet_name="配料")    &nb手把sp;fpath = r'C:UserspdcfiDesktop淘宝数据分析淘宝商品配料数据.xlsx'     # 读取数据 提取列     df1 = pd.read_excel(fpath, header=None, skiprows=1, sheet_name='配料', names=['sx', 'sl'])     a = df1['sx'].to_list()[:10]     b = df1['sl'].to_list()[:10]      from pyecharts.charts import Pie     from pyecharts import options as opts     # 绘制可视化图表     pie = (         Pie().add('', [list(z) for z in zip(a, b)],     手教;             radius=["20%", "60%"],  # 半径长度                  rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小                  )             .set_global_opts(title_opts=opts.TitleOpts(title="淘宝商品数据配料统计", subtitle="8.19"))             .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比      )     p你用ie.render('淘宝商品数据配料统计.html') 

在Pycharm里边运行代码之后，我们将会得到一个淘宝商品数据配料统计.html文件，双击打开该HTML文件，在浏览器里边可以看到效果图，如下图所示。

是不是感觉一下子就高大上了呢?而且动动鼠标，你还可以进行交互，是动态图来着，十分好玩。

2、生成保质期可视化饼图

针对保质期数据，我们也先使用一个饼图去进行展示，直接上代码，其实你会发现和上面那个配料图表大同小异。

"""生成保质期可视化图表""" def get_date_html(df):     # 词表分词     names = df.保质期.apply(jieba.lcut).explode()     df1 = names[names.apply(len) > 1].value_counts()     # 写入分词后的结果     with pd.ExcelWriter("淘宝商品保质期数据.xlsx") as writer:         df1.to_excel(writer, sheet_name="保质期")     fpath = r'C:UserspdcfiDesktop淘宝数据分析淘宝商品保质期数据.xlsx' &nbPysp;   # 读取数据 提取列     df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['bzq', 'rq'])     a = df1['bzq'].to_list()[:10]     b = df1['rq'].to_list()[:10]     from pyecharts.charts import Pie     from pyecharts import options as opts     # 绘制可视化图表     pie = (         Pie()             .add('', [list(z) for z in zip(a, b)],        ec;          radius=["20%", "60%"],  # 半径长度                  rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小                  )             .set_global_opts(title_opts=opts.TitleOpts(title="淘宝商品保质期可视化图表", subtitle="8.19"))             .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比      )     pie.render('淘宝ha商品保质期统计.html') 

在Pycharm里边运行代码之后，我们将会得到一个淘宝商品保质期统计.html文件，双击打开该HTML文件，在浏览器里边可以看到效果图，如下图所示。

相信有小伙伴肯定感觉哪里不对，一个保质期的可视化，做成这种饼图似乎太丑了吧?嗯，的确是丑爆了，所以程序大佬把保质期这个图转为了柱状图，这样看上去就高大上很多了。

3、生成保质期可视化柱状图

其实数据都是一样的，只不过呈现方式不同，直接上代码。

"""生成保质期可视化图表""" def get_date_html(df):     # 词表分词     names = df.保质期.apply(jieba.lcut).explode()     df1 = names[names.apply(len) > 1].value_counts()     # 写入分词后的结果     with pd.ExcelWriter("淘宝数据.xlsx") as writer:         df1.to_excel(writer, sheet_name="保质期")     fpath = r'C:UsersdellDesktop崔佬数据分析综合实战淘宝数据.xlsx'   rt  # 读取数据 提取列     df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['bzq', 'rq'])     a = df1['bzq'].to_list()[:50]     b = df1['rq'].to_list()[:50]      bar = (         Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK))             .add_xaxis(a)             .add_yaxis("保质期(天数)",b)             .set_global_opts(            &s库nbsp;    title_opts=opts.TitleOpts(title="Bar-DataZoom（slider-保质期）"),             datazoom_opts=opts.DataZoomOpts(),         )      )     return bar 

这么处理之后，我们就会得到一个柱状图了，如下图所示。

这把看上去，是不是觉得清晰很多了呢?

不过呢，程序大佬还觉得不够，想把这两张图放到一起，这应该怎么办呢?

4、合并饼图和柱状图到一个HTML文件

其实这个也并不难，只需要将生成两个图的函数放到一个布局类里边就可以完成了，直接上代码。

def page_draggable_layout(df):     page = Page(layout=Page.DraggablePageLayout)     page.add(         get_ingredients_html(df),         get_date_html(df)    &nbs对淘p;)     page.render("page_draggable_layout.html") 

如果你想在一个HTML文件里边加入更多的图，只需要继续在add()函数里面进行添加生成可视化图的函数即可。话不多说，直接上效果图。

从上图我们可以看到配料饼图和保质期柱状图都同时在同一个HTML文件出现了，而且也是可以进行点击交互的噢!我们还可以收到拖拽，让图表移动，如下图所示，分为左右图进行展示。

你以为到这里就结束了?其实并没有，程序大佬还想玩点更加高大上的，他想把table表一并显示出来，这样显得更加饱满一些。那么table表又如何来进行显示呢?

5、table表加持

其实在这里，程序大佬卡了一下，他在群里问，基于他目前的数据，像下图这样的df数据如何进行展示出来。

而且，他自己在不断的尝试中，始终报错，一时间丈二和尚摸不着头脑，不知如何是好。

不过此时小小明大佬，又递来了橄榄枝，人狠话不多，直接丢了两行代码，让人拍手叫绝。

然后程序大佬，拿到Pycharm中一跑，啪，成了，真是拍案叫绝，小小明yyds!那么呈现的效果图是下面这样的。

这样看上去还稍微不太好看，拖拽下，调整下格式看看，如下图所示。

但是这样一看，确实高大上了一些，不过还是达不到程序大佬心里的预期，于是乎他继续折腾。

6、调整图像背景色

现在呢，程序大佬又想要加点背景色，这样显得高大上一些，代码如下。

# 绘制可视化图表 pie = (     Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))         .add('', [list(z) for&nbs宝数p;z in zip(a, b)],              radius=["20%", "60%"],  # 半径长度              rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小              )         .set_global_opts(title_opts=opts.TitleOpts(title="配料统计", subtitle="8.19"))         .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比  ) return pie 

其实核心的那句代码下面这个，引入了一个主题：

init_opts=opts.InitOpts(theme=ThemeType.CHALK) 

得到的效果图如上图所示了。

7、添加漏据进斗图

这里是以数据里边的”食品添加“列来做实例的，代码如下所示。

def get_sptj_data(df):     # 词表分词     names = df.食品添加剂.apply(jieba.lcut).explode()     df1 = names[names.apply(len) > 1].value_counts()     # 写入分词后的结果     with pd.ExcelWriter("淘宝数据.xlsx") as writer:         df1.to_excel(writer, sheet_name="食品添加剂")     fpath = r'C:UsersdellDesktop崔佬数据分析综合实战淘宝数据.xlsx'     # 读取数据 提取列     df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['sptj', 'sj'])     a&nbs行可p;= df1['sptj'].to_list()[:10]     b = df1['sj'].to_list()[:10]     c = (         Funnel(init_opts=opts.InitOpts(theme=ThemeType.CHALK))             .add(             "商品",             [list(z) for z in zip(a, b)],             label_opts=opts.LabelOpts(position="inside"),         )             .set_glo视化bal_opts(title_opts=opts.TitleOpts(title="Funnel-Label（food_add)"))     )     return c 

得到的效果图如下图所示。

写到这里，基本上快接近尾声了，不过程序大佬为了感谢小小明大佬，后来又补充了一个极化装逼图来赞扬小小明。

8、极化图

直接上代码，程序大佬取的这个zb函数，就是装13的意思，取的太没有水平了。

def zb_data():     data = [(i, random.randint(1, 100)) for i in range(10)]     c = (         Polar()         .add(             "",             data,             type_="effectSca展示tter",             effect_opts=opts.EffectOpts(scale=10, period=5),             label_opts=opts.LabelOpts(is_show=False),         )         .set_global_opts(title_opts=opts.TitleOpts(title="Polar-没啥用，用来装逼，小小明yyds"))      )     return c 

看上去确实很高大上呢。

三、总结

大家好，我是Python进阶者。本文基于一份杂乱的淘宝原始数据，利用正则表达式re库和Pandas数据处理对数据进行清洗，然后通过stop_word停用词对得到的文本进行分词处理，得到较为”干净“的数据，之后利用传统方法和Pandas优化处理两种方式对数据进行词频统计，针对得到的数据，利用Pyecharts库，进行多重可视化处理，包括但不限于饼图、柱状图、Table表、漏斗图、极化图等，通过一系列的改进和优化，一步步达到想要的效果，可以说是干货满满，实操性强，亲测有效。

• ·Kubernetes Node规模突破7500
• ·云计算核心技术Docker教程：Docker集群的群任务状态
• ·标签: OpenClaw Lobstar Wild Nick Pash AI龙虾
• ·标签: 惠而浦 洗衣机 冰箱 清洁电器
• ·标签: SpaceX Cursor Anysphere 600亿美元
• ·谷歌发布广告安全报告：2020年屏蔽或移除了约31亿条违规广告
• ·Google Meet上线AI美妆滤镜功能，追赶Teams和Zoom步伐
• ·云计算核心技术Docker教程：Docker 守护进程dockerd的DEVICEMAPPER选项
• ·标签: 甲骨文 AI基础设施 生成式AI 裁员
• ·黄仁勋驳斥AI泡沫论，英伟达新一代芯片预计将创5000亿美元营收
• ·螃蟹可以放水里养着吗
• ·标签: 万科 泊寓 万物云 万纬物流
• ·云安全日报220315：苹果macOS系统发现特权提升,执行任意代码漏洞,需要尽快升级
• ·小模型大趋势！Google 提出两个模型：体积下降7倍，速度提升10倍
• ·标签: 欣旺达 威睿 吉利 电芯
• ·云安全日报220628:Ubuntu Linux内核发现系统崩溃漏洞,需要尽快升级