python pyecharts 画图 饼图柱状图

# encoding:utf-8
# 导入库-------------------------------
import requests
import pandas as pd
import math
import re
import jieba
from collections import Counter
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import random
import matplotlib

matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
import sklearn
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import matplotlib.pyplot as plt
import matplotlib
from sklearn.feature_extraction.text import TfidfVectorizer

matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
import random
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
from collections import Counter

from pyecharts.charts import * # 图表
from pyecharts.components import Table # 表格
from pyecharts import options as opts # 配置
from pyecharts.commons.utils import JsCode
import random # 随机数
import datetime #时间
from pyecharts.charts import Pie
from pyecharts.charts import Page

def bing_tu(label_list, size, title_name, figsize_x):
    """"
    # 饼图
    label_list = ["第一部分", "第二部分", "第三部分"]
    size = [55, 35, 10]    # 各部分大小
    """

    def make_autopct(values):
        def my_autopct(pct):
            total = sum(values)
            val = int(round(pct * total / 100.0))
            # 同时显示数值和占比的饼图
            return '{p:.2f}%  ({v:d})'.format(p=pct, v=val)

        return my_autopct

    color = []
    colors = ["red", "green", "blue", "yellow"]  # 各部分颜色
    while len(color) < len(label_list):
        color.append(colors[random.randint(0, 3)])
        # explode = [0.05, 0, 0]   # 各部分突出值
    fig = plt.figure(figsize=(figsize_x, figsize_x))
    plt.subplot(131)
    plt.title(title_name)
    plt.pie(size, labels=label_list, labeldistance=1.2, autopct=make_autopct(size))
    # plt.savefig("barChart.jpg")
    plt.show()


def zhu_zhuang_tu(label_list, size, title_name, y_name, x_name):
    """
    # 柱状图
    label_list = ["第一部分", "第二部分", "第三部分"]
    size = [55, 35, 10]    # 各部分大小
    """
    fig = plt.figure()
    plt.bar(label_list, size, 0.5, color="green")
    plt.xlabel(x_name)
    plt.ylabel(y_name)
    plt.title(title_name)
    # plt.savefig("barChart.jpg")
    plt.show()


def tiaoxing_zhuzhangtu(labels, values):
    """
    # 横向的柱状图
    # labels=['体育和娱乐业', '批发和零售业', '租赁和商务服务业', '建筑业']
    # values=[251, 316, 52, 45]
    """
    plt.barh(labels, values)  # 以时间为纵轴，收盘价为高度绘制横向条形图
    plt.show()


def quxiantu(x, y):
    """
    # 曲线图
    y=[1,5,2,6,8,9]
    x=[1,2,3,4,5,6]
    """
    plt.xlabel('日期', fontsize=8)
    plt.ylabel('价格', fontsize=8)
    # plt.plot(x_low,datasz_low,label='最高价',color="r")
    plt.plot(x, y, label='最低价', color="y")
    plt.title("上证指数最高价和最低价曲线图")
    plt.show()
    return 0

def pyecharts_bingtu(x,y):
    """
    x = ["直接访问", "邮件营销", "联盟广告", "视频广告", "搜索引擎"]
    y = [335, 310, 274, 235, 400] 要求必须是整数
    """
    c = (
        Pie()
        .add("", [list(z) for z in zip(x, y)])  # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
        .set_global_opts(title_opts=opts.TitleOpts(title="2022年1月天津市流流出口分析柱状图", pos_left="center"))  # 标题
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))  # 数据标签设置
    )
    c.render_notebook()
    c.render(path=r"pyecharts_bingtu_饼图_bar.html")

def pyecharts_zhuzhuangtu(x, y):
    """
    x = ["直接访问", "邮件营销", "联盟广告", "视频广告", "搜索引擎"]
    y = [335, 310, 274, 235, 400] 要求必须是整数
    """
    bar = Bar()  # 初始化图表
    bar.add_xaxis(x)  # x轴
    bar.add_yaxis('数目', y)  # y轴
    bar.set_global_opts(title_opts=opts.TitleOpts(title="天津市流入人口分析柱状图"))
    bar.render(path=r"pyecharts_zhuzhuangtu_柱状图_bar.html")

def plt_picture_ciyun(n):
    """
    词云
    传入的n是:我 老婆 走 了 四年 总会 不经意 想起 那 感觉 没 经历 的 很 难 体会
    """
    wc = WordCloud(
        # 设置字体，不指定就会出现乱码
        font_path='simhei.ttf',
        # 设置背景色
        background_color='white',
        # 设置背景宽
        width=500,
        # 设置背景高
        height=350,
        # 最大字体
        max_font_size=50,
        # 最小字体
        min_font_size=10,
        mode='RGBA'
        # colormap='pink'
    )
    # 产生词云
    wc.generate(n)
    # 显示图片
    # 指定所绘图名称
    plt.figure("jay")

    # 以图片的形式显示词云
    plt.imshow(wc)
    # 关闭图像坐标系
    plt.axis("off")
    # 保存词云图片
    # plt.savefig("2209070221.png")
    plt.show()


def re_pipei_word(text):
    """
    正则提取文本的汉字
    text = "也像疼111WWW%%    __"
    """
    res = re.findall('[\u4e00-\u9fa5]', str(text))
    # print(res) #['也', '像', '疼']
    # print("".join(res)) 也像疼
    return "".join(res)


def jieba_cut_word(text):
    """
    jieba分词
    text=滴滴代驾不靠谱，在司机端总是接不到单子
    """
    res1 = jieba.lcut("滴滴代驾不靠谱，在司机端总是接不到单子。", cut_all=False)  # 不存在多余词
    # ['滴滴', '代驾', '不靠', '谱', '，', '在', '司机', '端', '总是', '接', '不到', '单子', '。']

    res2 = jieba.lcut("今天空车返回，在路上遇到行政执法，平台不派单。", cut_all=True)  # 有多余词
    # ['今天', '天空', '空车', '返回', '，', '在', '路上', '遇到', '行政', '执法', '，', '平台', '不', '派', '单', '。']
    return res1


def dict_sort(dic):
    """
    字典排序
    """
    count = sorted(dic.items(), key=lambda x: x[1], reverse=True)  # True 是降序 False是升序
    return count


def tfidf_word(corpus):
    """
    tfodf 提取关键词：
    import sklearn
    from sklearn.feature_extraction.text import CountVectorizer
    from sklearn.feature_extraction.text import TfidfTransformer
    from sklearn.feature_extraction.text import TfidfVectorizer
    corpus = ['TF-IDF 主要 思想 是', '算法 一个 重要 特点 可以 脱离 语料库 背景',
              '如果 一个 网页 被 很多 其他 网页 链接 说明 网页 重要',
              '原始 文本 进行 标记',
              '主要 思想']
    """
    vectorizer = TfidfVectorizer()
    X = vectorizer.fit_transform(corpus)
    data = {'word': vectorizer.get_feature_names_out(),
            'tfidf': X.toarray().sum(axis=0).tolist()}
    df = pd.DataFrame(data)
    df = df.sort_values(by='tfidf', ascending=True)  # True是从小达到 False是从大到小
    res = {}
    for i in df.values:
        res[i[0]] = i[1]
    # print(res){'链接': 0.2556396904397093, '说明': 0.2556396904397093...}
    return res


def tongci_count(data):
    """
    from collections import Counter
    列表统计
    data是一个列表
    """
    res = dict(Counter(data))
    return res