pyecharts丨将主题的演变嵌入时间长河中—

主题河流图

终于是好像比较高级的图了hhhh但其实早在2008年都有比较出色的运用了，

2008年2月，《纽约时报》发布了一个最典型、最著名的河流图的例子《电影的衰退和流动：过去20年的电影票房收入》，描述了从1986年1月到2008年2月期间，所有电影的上映时间以及期间的周票房变化。在这个河流图中，流形状的宽度代表了某部电影的周票房，流形状的起始是由电影的上映时间决定的。颜色由电影的总票房决定，票房就是电影的“附加定量”，颜色越深代表了电影最终票房越高。

那么应该怎么去看这个看上去花里胡哨的河流图呢？

河流图（Streamgraph），有时候也叫做 主题河流图（ThemeRiver，是堆积面积图的一种变形，通过“流动”的形状来展示不同类别的数据随时间的变化情况。但不同于堆积面积图，河流图并不是将数据描绘在一个固定的、笔直的轴上（堆积图的基准线就是x轴），而是将数据分散到一个变化的中心基准线上（该基准线不一定是笔直的）

总结一下：应用场景就是当你需要探索几个不同的主题的热度（或其他统计量）随时间的演变趋势，并在同时期进行比较时，这个图就挺实用的。

你比如说，我想看看第二季度小米10、小米10青春版，红米k30pro、华为nova 7、荣耀30S、荣耀X10这六种手机在微博话题上的热度变化，我就可以用主题河流图来展示。

用的当然是pyecharts了，强大的可视化工具。

Code

def themeRiver():from pyecharts.charts import ThemeRiver# x_data = ["小米10_青春版", "小米10_pro", "红米k30pro", "华为nova 7", "荣耀X10", "荣耀30S"]x_data=["k30pro", 'mi10_young', 'mi10&pro']y_data = [['2020/3/1', 11, 'k30pro'], ['2020/3/2', 16, 'k30pro'], ['2020/3/3', 19, 'k30pro'], ['2020/3/4', 10, 'k30pro'],['2020/3/5', 31, 'k30pro'], ['2020/3/6', 11, 'k30pro'], ['2020/3/7', 12, 'k30pro'], ['2020/3/8', 9, 'k30pro'],['2020/3/9', 7, 'k30pro'], ['2020/3/10', 15, 'k30pro'], ['2020/3/11', 10, 'k30pro'],['2020/3/12', 21, 'k30pro'], ['2020/3/13', 13, 'k30pro'], ['2020/3/14', 9, 'k30pro'],['2020/3/15', 20, 'k30pro'], ['2020/3/16', 69, 'k30pro'], ['2020/3/17', 155, 'k30pro'],['2020/3/18', 92, 'k30pro'], ['2020/3/19', 110, 'k30pro'], ['2020/3/20', 25, 'k30pro'],['2020/3/21', 59, 'k30pro'], ['2020/3/22', 55, 'k30pro'], ['2020/3/23', 72, 'k30pro'],['2020/3/24', 530, 'k30pro'], ['2020/3/25', 135, 'k30pro'], ['2020/3/26', 75, 'k30pro'],['2020/3/27', 93, 'k30pro'], ['2020/3/28', 59, 'k30pro'], ['2020/3/29', 50, 'k30pro'],['2020/3/30', 92, 'k30pro'], ['2020/4/1', 27, 'k30pro'], ['2020/4/2', 26, 'k30pro'],['2020/4/3', 22, 'k30pro'], ['2020/4/4', 13, 'k30pro'], ['2020/4/5', 27, 'k30pro'], ['2020/4/6', 31, 'k30pro'],['2020/4/7', 45, 'k30pro'], ['2020/4/8', 27, 'k30pro'], ['2020/4/9', 29, 'k30pro'],['2020/4/10', 19, 'k30pro'], ['2020/4/11', 20, 'k30pro'], ['2020/4/12', 18, 'k30pro'],['2020/4/13', 23, 'k30pro'], ['2020/4/14', 23, 'k30pro'], ['2020/4/15', 52, 'k30pro'],['2020/4/16', 44, 'k30pro'], ['2020/4/17', 29, 'k30pro'], ......['2020/3/1', 1, 'mi10_young'], ['2020/3/2', 2, 'mi10_young'], ['2020/3/3', 2, 'mi10_young'], ['2020/3/4', 0, 'mi10_young'], ['2020/3/5', 1, 'mi10_young'], ['2020/3/6', 2, 'mi10_young'], ['2020/3/7', 3, 'mi10_young'], ['2020/3/8', 0, 'mi10_young'], ['2020/4/25', 4, 'mi10_young'], ['2020/4/26', 910, 'mi10_young'], ['2020/4/27', 921, 'mi10_young'], ['2020/4/28', 479, 'mi10_young'], ['2020/4/29', 288, 'mi10_young'], ['2020/4/30', 228, 'mi10_young'], ['2020/5/1', 91, 'mi10_young'], ['2020/5/2', 141, 'mi10_young'], ['2020/5/3', 85, 'mi10_young'], ['2020/5/4', 70, 'mi10_young'], ['2020/5/5', 83, 'mi10_young'], ['2020/5/6', 9, 'mi10_young'], ......['2020/6/10', 33, 'mi10&pro'], ['2020/6/11', 55, 'mi10&pro'], ['2020/6/12', 27, 'mi10&pro'],]tr= (ThemeRiver(init_opts=opts.InitOpts(width="1300px", height="700px")).add(series_name=x_data,data=y_data,singleaxis_opts=opts.SingleAxisOpts(pos_top="50", pos_bottom="50", type_="time"),).set_global_opts(tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="line"),legend_opts=opts.LegendOpts(pos_left='50%')))return tr

还在爬取补全的数据，所以代码里暂时就先是三个手机。从3.1到6.12的不完全数据。

其实这个图的整个代码结构是pyecharts一脉相承的风格，数据集的请求结构也相对而言不算复杂，只不过当你数据量一大起来，什么玩意儿都要难搞一些。

这里也再贴一下我整理数据结构的代码吧，就是从爬虫爬取到的标准时间得到['2020/03/01', 321, 'mi10_young']这个结构的过程：

'''
@file: themriver_pre.py
@time: 2020/7/3 15:36
@author:Seepen
'''import pandas as pd
from datetime import datetime
import numpy as npt = pd.read_csv('huawei_nova7.txt', encoding='utf-8')
pubtime=t.发布时间
# print(pubtime)
# l=[]#pub_time = pd.to_datetime(pubtime, format="%Y-%m-%d %H:%M")
df_time = pd.DatetimeIndex(pubtime)data=np.zeros((4,30), dtype='int')
print(data.shape)for i in df_time:m=i.monthd=i.dayif(d==31):d=30data[m-3][d-1]+=1l=[]
for m in range(3,7):for d in range(1,31):if(d==31):d=30l.append(["2020/"+str(m)+"/"+str(d), data[m-3][d-1], "huawei_nova7"])print(l)

是个笨办法。。但本来就是实验代码嘛，又不看这些脏活。
最后print出来的就是函数需要的数据结构：

[['2020/4/18', 159, 'huawei_nova7'], ['2020/4/19', 157, 'huawei_nova7'], ['2020/4/20', 178, 'huawei_nova7'], ['2020/4/21', 197, 'huawei_nova7'],
...]

直接贴到view的函数里即可。

最终画出的效果图：

打完收工。

pyecharts丨将主题的演变嵌入时间长河中——主题河流图相关推荐

Python数据可视化 Pyecharts 制作 ThemeRiver 主题河流图
大家好,我是Mr数据杨.设想一下,基本设置就像各个国家的基础设施,将三个国家的总况一览无遗,这为了解三国整体情况做好铺垫.而坐标轴设置,就如同时间线,沿着时间轴展现出三国历史的进程,决定了整个图表的时 ...
embed 标签怎么嵌入pdf_联合Aspect-Sentiment主题嵌入的弱监督的情感分析(2020年10)
论文: Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding 作者: ...
python画河流图_《Python数据可视化之Matplotlib与Pyecharts》之主题河流图
11.7.2 不同类型商品销售情况分析为了分析该企业不同类型商品的销售额情况,绘制了不同商品销售额的主题河流图,Python代码如下: # -*- coding: utf-8 -*- # -*- ...
关于EasyUI DataGrid行编辑时嵌入时间控件
本人做一个名为"安徽中控"项目时,为快速开发基础数据增删改模块,遂采用EasyUIDatagrid将所有增删改查的操作都集中于表格中,并且所有增删改查操作都集中于泛型对象,从而不必 ...
如何快速实现分布式定时器丨红黑树|跳表|堆|时间轮|缓存|锁|事务|架构|高性能|消息队列丨C/C++Linux服务器开发丨C++后端开发
如何快速实现分布式定时器视频讲解如下,点击观看: 如何快速实现分布式定时器丨红黑树|跳表|堆|时间轮|缓存|锁|事务|架构|高性能|消息队列丨C/C++Linux服务器开发丨C++后端开发丨中间件 ...
Android 的主题的演变
目前比较流行的主题样式 (4.0以后的主题) AppTheme Theme.AppCompat 例如: <style name="AppTheme" parent=" ...
系统主题修改桌面嵌入html,更换主题桌面主题 Win7桌面动态主题怎么更换
Win10怎么更换主题,win10怎么更换桌面背景 Win10系统更换主题方法在桌面空白区域点击右键,选择"个性化". 选择你喜欢的主题,点击"下载".下载后 ...
需求分析与建模最佳实践_社交媒体和主题建模：如何在实践中分析帖子
需求分析与建模最佳实践主题建模的实际使用 (Practical use of topic modeling) There is a substantial amount of data genera ...
lda主题模型的可视化_把LDA主题模型作为自己的硕士课题，有什么可以做的？
经典的LDA主题模型实现了文本的软聚类的工作,将文档转化为基于主题的数值向量,每个维度上的主题概率取值就是对特定主题的聚类中心的隶属度.由于LDA主题模型提出较早,所以作为基础模型有了很多改进和创新, ...

pyecharts丨将主题的演变嵌入时间长河中——主题河流图

主题河流图

pyecharts丨将主题的演变嵌入时间长河中——主题河流图相关推荐

最新文章

热门文章