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/ target=_blank class=infotextkey>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 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 是想通的，对于刚接触的同学，无论从 pyecharts 还是 echarts 开始了解都可以
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
意下是常用 API 接口：
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（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，也表示数据映射成为的图。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))
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
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。
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
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。
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())
模板渲染虽然方便，但是不透灵活，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
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>
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()
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
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
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
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。
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
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。
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")
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。
