Python ECharts 完整入门与实战教程

一、教程概述

ECharts 是百度开源的一款高性能、功能丰富的前端数据可视化图表库，支持折线图、柱状图、饼图、地图、热力图等数十种图表类型，具备流畅的动画效果和灵活的交互能力。

Python ECharts（pyecharts） 是 ECharts 的 Python 封装库，无需编写 HTML、JS 代码，仅通过 Python 脚本即可快速生成高颜值、可交互的 ECharts 图表，最终输出 HTML 文件直接在浏览器查看，完美适配数据分析、数据报表、可视化大屏等场景。

本教程从零开始，涵盖环境安装、基础语法、核心图表实战、样式配置、进阶技巧，适合 Python 数据分析初学者快速上手。

二、环境准备与安装

2.1 版本说明

pyecharts 分为 v1 和 v0 两个版本，v1 为全新重构版本，语法简洁、功能更强，本教程基于最新稳定版 pyecharts v2.x 编写，仅适配 v1+ 版本。

2.2 安装依赖

通过 pip 一键安装官方稳定版，命令如下：

pip install pyecharts -U

安装完成后，可通过以下代码验证是否安装成功：

import pyecharts
# 打印版本号，确认安装成功
print(pyecharts.__version__)

三、pyecharts 核心工作原理

理解核心原理可快速掌握所有图表的制作逻辑，pyecharts 工作流程固定：

1. 创建图表实例：初始化对应图表对象（折线图、柱状图等）；

2. 配置全局参数：设置标题、坐标轴、图例、工具箱、主题等；

3. 添加数据系列：传入 x 轴、y 轴数据，绑定图表数据；

4. 生成渲染文件：导出为 HTML 文件，浏览器打开即可查看交互图表。

所有图表均遵循 初始化 - 配置 - 加数据 - 渲染 四步流程，上手门槛极低。

四、基础图表实战（入门必学）

本节讲解最常用的 4 类基础图表：柱状图、折线图、饼图、散点图，附带完整可运行代码。

4.1 柱状图（Bar）—— 类别数据对比

柱状图适用于不同类别数据的大小对比，是数据分析最常用的图表。

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

# 1. 准备数据
x_data = ["产品A", "产品B", "产品C", "产品D", "产品E"]
y_data = [120, 200, 150, 80, 180]

# 2. 初始化柱状图 + 配置全局项
bar = (
    Bar()
    # 设置x、y轴数据
    .add_xaxis(x_data)
    .add_yaxis("月度销量", y_data)
    # 全局配置：标题、坐标轴名称
    .set_global_opts(
        title_opts=opts.TitleOpts(title="产品月度销量柱状图", subtitle="2026年6月数据"),
        xaxis_opts=opts.AxisOpts(name="产品类别"),
        yaxis_opts=opts.AxisOpts(name="销量（件）"),
    )
)

# 3. 渲染为HTML文件
bar.render("柱状图销量统计.html")
print("柱状图生成完成！")

运行效果：生成 HTML 文件，打开后可查看带标题、坐标轴、图例的交互式柱状图，支持鼠标悬浮查看具体数值。

4.2 折线图（Line）—— 趋势数据展示

折线图适用于展示数据随时间、顺序维度的变化趋势，如销量走势、温度变化等。

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

# 时间维度数据
x_data = ["1月", "2月", "3月", "4月", "5月", "6月"]
# 两组对比数据
y_data1 = [90, 110, 130, 125, 160, 180]
y_data2 = [70, 95, 100, 140, 155, 170]

line = (
    Line()
    .add_xaxis(x_data)
    # 添加两条数据曲线
    .add_yaxis("线上销量", y_data1, is_smooth=True)  # 平滑曲线
    .add_yaxis("线下销量", y_data2, is_smooth=True)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="2026年销量趋势折线图"),
        xaxis_opts=opts.AxisOpts(name="月份"),
        yaxis_opts=opts.AxisOpts(name="销量（件）"),
        # 开启数据缩放
        datazoom_opts=[opts.DataZoomOpts()],
    )
)

line.render("折线图销量趋势.html")
print("折线图生成完成！")

核心参数：is_smooth=True 开启平滑曲线，提升图表美观度。

4.3 饼图（Pie）—— 占比数据分析

饼图用于展示各数据占整体的比例关系，适用于份额、占比统计场景。

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

# 饼图数据格式：[(名称1, 数值1), (名称2, 数值2)]
pie_data = [("一线城市", 45), ("二线城市", 30), ("三线城市", 15), ("其他", 10)]

pie = (
    Pie()
    .add(series_name="市场占比", data_pair=pie_data, radius=["30%", "75%"])  # 环形饼图
    .set_global_opts(
        title_opts=opts.TitleOpts(title="产品市场占比饼图"),
        legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),
    )
    # 显示百分比
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}%"))
)

pie.render("饼图市场占比.html")
print("饼图生成完成！")

核心参数：radius=["30%", "75%"] 实现环形饼图，删除该参数即为普通实心饼图。

4.4 散点图（Scatter）—— 数据相关性分析

散点图用于展示两组数据的相关性，适用于变量关联分析。

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

x_data = [10, 20, 30, 40, 50, 60]
y_data = [15, 28, 32, 45, 55, 68]

scatter = (
    Scatter()
    .add_xaxis(x_data)
    .add_yaxis("投入-产出数据", y_data)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="投入产出相关性散点图"),
        xaxis_opts=opts.AxisOpts(name="投入成本（万）"),
        yaxis_opts=opts.AxisOpts(name="产出收益（万）"),
    )
)

scatter.render("散点图相关性分析.html")
print("散点图生成完成！")

五、常用全局配置详解

pyecharts 的核心自定义功能集中在 set_global_opts() 全局配置，掌握以下常用配置可实现90%的图表美化需求。

5.1 标题配置（TitleOpts）

• title：主标题文本

• subtitle：副标题文本

• title_textstyle_opts：主标题字体样式（大小、颜色、字体）

示例：

title_opts=opts.TitleOpts(
    title="自定义标题",
    subtitle="数据来源：2026年度统计",
    title_textstyle_opts=opts.TextStyleOpts(font_size=18, color="#333333")
)

5.2 图例配置（LegendOpts）

• orient：图例排列方向，vertical 垂直、horizontal 水平

• pos_top/pos_bottom/pos_left/pos_right：图例位置

5.3 工具箱配置（ToolboxOpts）

开启图表右上角工具箱，支持保存图片、数据视图、刷新、缩放等功能：

toolbox_opts=opts.ToolboxOpts(is_show=True)

5.4 主题配色配置

pyecharts 内置十余种精美主题，直接引用即可切换整体配色风格，常用主题：Macarons（马卡龙清新风）、Dark（暗黑科技风）、Westeros（简约高级风）。

使用示例：

from pyecharts.globals import ThemeType

# 初始化图表时指定主题
bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.MACARONS))

六、进阶实战：组合图表

pyecharts 支持将多种图表组合展示（如柱状图+折线图），实现多维度数据对比，是报表常用功能。

from pyecharts.charts import Bar, Line
from pyecharts import options as opts
from pyecharts.globals import ThemeType

# 数据准备
x_data = ["1月", "2月", "3月", "4月", "5月", "6月"]
sale_data = [120, 190, 150, 220, 180, 250]
profit_data = [12, 19, 15, 22, 18, 25]

# 初始化柱状图（销量）
bar = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.MACARONS))
    .add_xaxis(x_data)
    .add_yaxis("月度销量", sale_data)
    .set_global_opts(title_opts=opts.TitleOpts(title="销量+利润组合图表"))
)

# 初始化折线图（利润）
line = (
    Line()
    .add_xaxis(x_data)
    .add_yaxis("月度利润", profit_data)
)

# 组合图表：折线图叠加到柱状图上
bar.overlap(line)

# 渲染输出
bar.render("组合图表销量利润.html")
print("组合图表生成完成！")

七、常见问题与解决方案

7.1 图表空白、无数据

原因：x 轴、y 轴数据长度不一致、数据格式错误（传入非列表/元组数据）。
解决方案：保证 x、y 数据长度统一，数据为标准列表格式。

7.2 中文乱码问题

pyecharts v1+ 版本已默认修复中文乱码，无需手动配置，旧版本若出现乱码可升级库版本。

7.3 如何直接在 Jupyter 中展示图表

无需 render() 方法，直接在 Jupyter 单元格末尾输出图表对象即可实时预览。

八、拓展学习方向

1. 高级图表：地图（Geo/Map）、热力图、雷达图、树形图、水球图；

2. 可视化大屏：通过 Page、Grid 组件拼接多图表，制作数据大屏；

3. 动态数据：结合爬虫、数据库实时更新图表数据，实现动态可视化；

4. Web 集成：结合 Flask/Django 将图表嵌入网页，实现在线数据展示。

九、教程总结

pyecharts 凭借零前端代码、开发高效、交互美观的优势，成为 Python 数据可视化的核心工具之一。本教程覆盖了环境安装、核心语法、基础图表、自定义配置、组合图表等核心内容，掌握固定的图表开发流程后，可快速复刻各类可视化图表，满足日常数据分析、报表制作、项目可视化需求。

（注：部分内容可能由 AI 生成）