在Pyecharts中实现柱状图与甘特图组合效果的技术方案
2025-05-15 17:31:48作者:管翌锬
在数据可视化领域,Pyecharts作为优秀的Python可视化库,能够帮助开发者快速构建各种图表。本文将详细介绍如何通过Pyecharts实现柱状图与甘特图的组合效果,这种可视化方式特别适合展示项目进度与目标值的对比场景。
核心实现思路
要实现柱状图上叠加横线的效果,本质上是需要在柱状图的基础上添加辅助线。Pyecharts提供了两种主要的技术方案:
-
堆叠柱状图+标记线方案
- 使用Bar组件的stack参数创建堆叠柱状图
- 通过markline_opts参数添加标记线
- 可以自定义标记线的样式和位置
-
多系列颜色区分方案
- 创建多个数据系列
- 通过不同颜色区分实际值和目标值
- 利用视觉差异形成对比效果
具体实现方法
堆叠柱状图实现
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker
bar = (
Bar()
.add_xaxis(Faker.choose())
.add_yaxis("实际值", Faker.values(), stack="stack1")
.add_yaxis(
"目标值",
[[-i] for i in Faker.values()],
stack="stack1",
markline_opts=opts.MarkLineOpts(
data=[opts.MarkLineItem(y=50)]
)
)
.set_global_opts(title_opts=opts.TitleOpts(title="项目进度对比"))
)
bar.render("bar_with_target.html")
多系列颜色方案
bar = (
Bar()
.add_xaxis(Faker.choose())
.add_yaxis("实际进度", Faker.values(), category_gap="50%")
.add_yaxis(
"目标线",
[50]*len(Faker.choose()),
itemstyle_opts=opts.ItemStyleOpts(color="rgba(255,0,0,0.3)"),
bar_width=20
)
.set_global_opts(title_opts=opts.TitleOpts(title="项目进度监控"))
)
技术要点解析
-
堆叠参数:stack参数可以将多个系列的数据堆叠显示,形成整体效果
-
标记线定制:
- 可以通过MarkLineItem的x/y参数精确定位标记线
- symbol参数控制标记点的样式
- linestyle_opts控制线条样式
-
视觉优化技巧:
- 适当调整柱状图的宽度和间距
- 使用半透明颜色增强可读性
- 添加图例说明各元素的含义
应用场景建议
这种组合图表特别适用于:
- 项目实际进度与计划进度的对比
- 销售业绩与目标的差距分析
- 资源使用率与限额的监控
- 任何需要同时展示绝对值和参考值的场景
总结
通过Pyecharts的灵活配置,开发者可以轻松实现柱状图与甘特图的组合效果。无论是使用标记线还是多系列颜色方案,都能有效传达数据背后的业务含义。在实际项目中,可以根据具体需求选择最适合的实现方式,并通过样式微调获得最佳的可视化效果。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218