每日五个pyecharts可视化图表日历图和箱线图：从入门到精通

📊 本文特色：从零开始掌握日历图和箱线图可视化技巧，包含多个完整实例、核心配置项解析和实用场景指南，助您快速构建专业数据可视化图表。pyecharts源码

日历图和箱线图是两种非常实用的数据可视化图表类型，它们分别适用于不同的数据展示场景。本教程将从基础到进阶，帮助您系统掌握这两种图表的使用方法。

什么是日历图和箱线图？

📅 日历图（Calendar）

日历图以日历的形式展示数据随时间的变化，通过颜色深浅直观呈现数值大小，非常适合展示全年或长时间范围内的趋势变化。

核心优势：

• 时间维度清晰，直观展示数据在全年的分布
• 色彩渐变效果突出异常值和趋势模式
• 适合展示步数、销售额、访问量等日常记录数据

典型应用场景：

• 健康数据跟踪（步数、心率等）
• 业务销售数据分析
• 网站访问量统计
• 气象数据可视化

📊 箱线图（Boxplot）

箱线图通过显示一组数据的最小值、第一四分位数、中位数、第三四分位数和最大值，直观地展示数据分布特征和异常值。

核心优势：

• 有效识别数据集中的异常值
• 比较多组数据的分布特征
• 不受样本量影响的统计可视化
• 清晰展示数据的离散程度

典型应用场景：

• 质量控制和过程监控
• 实验数据结果分析
• 多组数据对比分析
• 金融风险评估

环境准备

日历图和箱线图开发需要以下环境支持，请确保系统已正确配置：

📋 基础依赖

• Python 3.6+（推荐3.8+版本）
• pyecharts 1.9.0+（本教程基于最新版开发）

🔧 安装步骤

# 创建并激活虚拟环境（推荐）
python -m venv venv
# Windows激活虚拟环境
venv\Scripts\activate
# macOS/Linux激活虚拟环境
# source venv/bin/activate# 安装依赖包
pip install pyecharts==2.0.3# 验证安装
python -c "import pyecharts; print('pyecharts版本:', pyecharts.__version__)"

💡 提示：使用虚拟环境可以避免包版本冲突，是Python项目开发的最佳实践。如果不需要虚拟环境，可以直接执行pip install pyecharts命令。

基础日历图实现

下面是一个基础日历图的实现代码，展示了2017年全年的微信步数情况：

import datetime  # 导入日期时间处理模块
import random    # 导入随机数生成模块from pyecharts import options as opts  # 导入pyecharts配置选项
from pyecharts.charts import Calendar  # 导入日历图图表类型begin = datetime.date(2017, 1, 1)  # 设置开始日期为2017年1月1日
end = datetime.date(2017, 12, 31)  # 设置结束日期为2017年12月31日
# 生成2017年全年每一天的数据，数据格式为[日期字符串, 随机数值]
data = [[str(begin + datetime.timedelta(days=i)), random.randint(1000, 25000)]for i in range((end - begin).days + 1)
]# 创建日历图实例并配置
c = (Calendar()  # 初始化日历图# 添加数据，设置日历范围为2017年.add("", data, calendar_opts=opts.CalendarOpts(range_="2017")).set_global_opts(title_opts=opts.TitleOpts(title="Calendar-2017年微信步数情况"),  # 设置图表标题visualmap_opts=opts.VisualMapOpts(max_=20000,               # 视觉映射最大值min_=500,                 # 视觉映射最小值orient="horizontal",      # 水平方向显示is_piecewise=True,        # 分段显示pos_top="230px",          # 视觉映射组件顶部位置pos_left="100px",         # 视觉映射组件左侧位置),)#.render("calendar_base.html")  # 渲染到HTML文件（可选）
)
# 在Jupyter Notebook中渲染图表
c.render_notebook()

代码详解

1. 导入模块：

   • datetime：用于处理日期和时间
   • random：用于生成随机数据
   • pyecharts.options：用于配置图表选项
   • pyecharts.charts.Calendar：用于创建日历图

2. 数据准备：

   • 设置数据的开始和结束日期（2017年全年）
   • 使用列表推导式生成全年每一天的数据，格式为[日期字符串, 数值]
   • 这里使用random.randint(1000, 25000)模拟每日微信步数

3. 创建图表：

   • Calendar()：创建日历图实例
   • .add("", data, calendar_opts=opts.CalendarOpts(range_="2017"))：添加数据并设置日历范围
   • .set_global_opts()：设置全局选项
     • title_opts：设置图表标题
     • visualmap_opts：配置视觉映射，控制日历中颜色深浅对应的数值范围

4. 渲染展示：

   • render_notebook()：在Jupyter Notebook中显示图表
   • 如果需要保存为HTML文件，可以取消注释.render("calendar_base.html")

📌 日历图关键点总结

• 数据格式必须是[日期字符串, 数值]的列表形式
• CalendarOpts(range_)参数用于指定日历的年份范围
• 视觉映射组件(VisualMapOpts)控制颜色与数值的对应关系
• 适合展示全年或特定时间段内的数据分布情况

更多图表实现

图表2：Calendar_heatmap（高级日历图）

下面是一个高级日历图的实现代码，展示了2017年全年步数情况的热图效果：

import random     # 导入随机数生成模块
import datetime   # 导入日期时间处理模块import pyecharts.options as opts  # 导入pyecharts配置选项
from pyecharts.charts import Calendar  # 导入日历图图表类型begin = datetime.date(2017, 1, 1)  # 设置开始日期为2017年1月1日
end = datetime.date(2017, 12, 31)  # 设置结束日期为2017年12月31日
# 生成2017年全年每一天的数据，数据格式为[日期字符串, 随机数值]
data = [[str(begin + datetime.timedelta(days=i)), random.randint(1000, 25000)]for i in range((end - begin).days + 1)
](Calendar()  # 初始化日历图.add(series_name="",  # 系列名称为空yaxis_data=data,  # 设置Y轴数据calendar_opts=opts.CalendarOpts(pos_top="120",  # 日历图距离顶部的距离pos_left="30",  # 日历图距离左侧的距离pos_right="30",  # 日历图距离右侧的距离range_="2017",  # 日历的年份范围yearlabel_opts=opts.CalendarYearLabelOpts(is_show=False),  # 不显示年份标签),).set_global_opts(title_opts=opts.TitleOpts(pos_top="30", pos_left="center", title="2017年步数情况"),  # 设置标题位置和内容visualmap_opts=opts.VisualMapOpts(max_=20000,  # 视觉映射最大值min_=500,    # 视觉映射最小值orient="horizontal",  # 水平方向显示is_piecewise=False     # 连续显示，非分段),)#.render("calendar_heatmap.html")  # 渲染到HTML文件（可选）.render_notebook()  # 在Jupyter Notebook中渲染
)

代码详解

1. 数据准备：

   • 与基础日历图相同，使用datetime和random模块生成2017年全年的数据
   • 数据格式保持为[日期字符串, 数值]的列表形式

2. 布局优化：

   • 通过pos_top、pos_left和pos_right参数调整日历图在容器中的位置
   • 这些参数可以使图表在不同尺寸的显示区域中更好地布局

3. 视觉效果优化：

   • 设置yearlabel_opts=opts.CalendarYearLabelOpts(is_show=False)隐藏年份标签
   • 这可以使日历图更加简洁，专注于数据本身

4. 颜色映射调整：

   • 设置is_piecewise=False使颜色映射变为连续渐变
   • 连续渐变比分段显示更加平滑，适合展示热图效果

📌 Calendar_heatmap关键点总结

• 可以通过pos_top、pos_left和pos_right参数精确控制图表位置
• is_show=False可以隐藏不需要的标签，使图表更加简洁
• is_piecewise=False启用连续颜色渐变，适合热图展示
• 这种配置更适合创建专业的数据分析仪表盘

图表2与图表1的对比

特性	基础日历图（图表1）	高级日历图（图表2）
标题位置	默认位置	顶部居中（pos_top=“30”, pos_left=“center”）
日历位置	默认位置	自定义边距（pos_top=“120”, pos_left=“30”, pos_right=“30”）
年份标签	显示	隐藏（is_show=False）
颜色映射	分段显示（is_piecewise=True）	连续渐变（is_piecewise=False）
适用场景	基础数据展示	专业仪表盘、报告

图表3：BoxPlot-基本示例（基础箱线图）

下面是一个基础箱线图的实现代码，展示了两组数据的分布情况：

from pyecharts import options as opts  # 导入pyecharts配置选项
from pyecharts.charts import Boxplot   # 导入箱线图图表类型# 准备数据，v1和v2分别代表两组不同的数据系列
v1 = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880, 1000, 980],  # 第一组数据[960, 940, 960, 940, 880, 800, 850, 880, 900, 840, 830, 790],   # 第二组数据
]
v2 = [[890, 810, 810, 820, 800, 770, 760, 740, 750, 760, 910, 920],   # 第三组数据[890, 840, 780, 810, 760, 810, 790, 810, 820, 850, 870, 870],   # 第四组数据
]# 创建箱线图实例
c = Boxplot()
c.add_xaxis(["expr1", "expr2"])  # 设置X轴数据
c.add_yaxis("A", c.prepare_data(v1))  # 添加Y轴数据系列A，注意需要使用prepare_data处理数据
c.add_yaxis("B", c.prepare_data(v2))  # 添加Y轴数据系列B，同样需要使用prepare_data处理数据
c.set_global_opts(title_opts=opts.TitleOpts(title="BoxPlot-基本示例"))  # 设置图表标题
#c.render("boxplot_base.html")  # 渲染到HTML文件（可选）
c.render_notebook()  # 在Jupyter Notebook中渲染

代码详解

1. 导入模块：

   • pyecharts.options：用于配置图表选项
   • pyecharts.charts.Boxplot：用于创建箱线图

2. 数据准备：

   • 准备了两组数据v1和v2，每组数据又包含两个子组
   • 这种嵌套列表的形式是箱线图的数据要求格式

3. 数据预处理：

   • 注意箱线图需要使用prepare_data()方法预处理数据
   • 这是因为箱线图需要计算每个数据组的最小值、第一四分位数、中位数、第三四分位数和最大值

4. 创建图表：

   • Boxplot()：创建箱线图实例
   • `.add_xaxis([“expr1”, “expr2”])：设置X轴的分类标签
   • .add_yaxis()：添加Y轴数据系列，可以添加多个系列进行对比
   • .set_global_opts()：设置全局选项，如标题等

📌 箱线图关键点总结

• 数据格式必须是嵌套列表，外层列表代表不同的数据系列，内层列表代表每个系列的数据点
• 必须使用prepare_data()方法预处理数据，这是箱线图的特殊要求
• 箱线图非常适合比较多组数据的分布特征和离散程度
• 可以直观地识别数据中的异常值（箱线图中的"离群点"）

箱线图核心参数解释

参数	说明	示例
add_xaxis	设置X轴的分类标签	`add_xaxis([“类别1”, “类别2”, “类别3”])
add_yaxis	添加Y轴数据系列	add_yaxis("系列名称", data)
prepare_data	预处理箱线图数据，计算统计指标	c.prepare_data(raw_data)
set_global_opts	设置全局选项	set_global_opts(title_opts=...)

图表4：Boxplot & Scatter 组合图表（高级箱线图）

下面是一个高级箱线图的实现代码，展示了箱线图与散点图的组合使用，模拟了著名的迈克尔逊-莫雷实验数据：

import pyecharts.options as opts 
from pyecharts.charts import Grid, Boxplot, Scatter y_data = [ [ 850, 740, 900, 1070, 930, 850, 950, 980, 980, 880, 1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960, ], [ 960, 940, 960, 940, 880, 800, 850, 880, 900, 840, 830, 790, 810, 880, 880, 830, 800, 790, 760, 800, ], [ 880, 880, 880, 860, 720, 720, 620, 860, 970, 950, 880, 910, 850, 870, 840, 840, 850, 840, 840, 840, ], [ 890, 810, 810, 820, 800, 770, 760, 740, 750, 760, 910, 920, 890, 860, 880, 720, 840, 850, 850, 780, ], [ 890, 840, 780, 810, 760, 810, 790, 810, 820, 850, 870, 870, 810, 740, 810, 940, 950, 800, 810, 870, ], 
] 
scatter_data = [650, 620, 720, 720, 950, 970] box_plot = Boxplot() box_plot = ( box_plot.add_xaxis(xaxis_data=["expr 0", "expr 1", "expr 2", "expr 3", "expr 4"]) .add_yaxis(series_name="", y_axis=box_plot.prepare_data(y_data)) .set_global_opts( title_opts=opts.TitleOpts( pos_left="center", title="Michelson-Morley Experiment" ), tooltip_opts=opts.TooltipOpts(trigger="item", axis_pointer_type="shadow"), xaxis_opts=opts.AxisOpts( type_="category", boundary_gap=True, splitarea_opts=opts.SplitAreaOpts(is_show=False), axislabel_opts=opts.LabelOpts(formatter="expr {value}"), splitline_opts=opts.SplitLineOpts(is_show=False), ), yaxis_opts=opts.AxisOpts( type_="value", name="km/s minus 299,000", splitarea_opts=opts.SplitAreaOpts( is_show=True, areastyle_opts=opts.AreaStyleOpts(opacity=1) ), ), ) .set_series_opts(tooltip_opts=opts.TooltipOpts(formatter="{b}: {c}")) 
) scatter = ( Scatter() .add_xaxis(xaxis_data=["expr 0", "expr 1", "expr 2", "expr 3", "expr 4"]) .add_yaxis(series_name="", y_axis=scatter_data) .set_global_opts( title_opts=opts.TitleOpts( pos_left="10%", pos_top="90%", title="upper: Q3 + 1.5 * IQR \nlower: Q1 - 1.5 * IQR", title_textstyle_opts=opts.TextStyleOpts( border_color="#999", border_width=1, font_size=14 ), ), yaxis_opts=opts.AxisOpts( axislabel_opts=opts.LabelOpts(is_show=False), axistick_opts=opts.AxisTickOpts(is_show=False), ), ) 
) grid = ( Grid() .add( box_plot, grid_opts=opts.GridOpts(pos_left="10%", pos_right="10%", pos_bottom="15%"), ) .add( scatter, grid_opts=opts.GridOpts(pos_left="10%", pos_right="10%", pos_bottom="15%"), ) #.render("boxplot_light_velocity.html") 
) 
grid.render_notebook()

代码详解

1. 数据准备：

   • y_data：包含5组实验数据，每组有20个数据点，模拟迈克尔逊-莫雷实验的测量结果
   • scatter_data：一组特殊的散点数据，用于在图表上标记特定点（如异常值或参考点）

2. 创建箱线图：

   • 使用Boxplot()创建箱线图实例
   • 添加X轴数据，对应5个实验表达式
   • 使用prepare_data()方法预处理箱线图数据
   • 配置全局选项，包括标题、提示框、坐标轴样式等
   • 设置Y轴名称为"km/s minus 299,000"，符合物理学实验的表示习惯

3. 创建散点图：

   • 使用Scatter()创建散点图实例
   • 添加相同的X轴数据
   • 添加scatter_data作为Y轴数据
   • 配置散点图的标题，解释箱线图的异常值判断标准
   • 隐藏Y轴的标签和刻度，避免与箱线图的Y轴重复

4. 组合图表：

   • 使用Grid()组件将箱线图和散点图组合在同一个画布上
   • 通过grid_opts设置相同的网格选项，确保两个图表对齐
   • 散点图会显示在箱线图的上方，两者共享同一坐标系

📌 组合图表关键点总结

• Grid()组件是pyecharts中组合多个图表的强大工具
• 可以通过pos_left、pos_right、pos_bottom等参数精确控制图表位置
• 箱线图与散点图组合可以同时展示数据分布和特定点标记
• SplitAreaOpts参数可以设置Y轴的分隔区域，增强可读性
• 散点图的坐标轴选项可以独立配置，如隐藏标签和刻度

组合图表的优势

这种箱线图与散点图的组合有以下优势：

1. 多层次信息展示：同时展示数据的整体分布特征和特定数据点
2. 异常值可视化：可以清晰地标记和解释异常值的判断标准
3. 增强可读性：通过网格布局和分隔区域，使复杂数据更加直观易懂
4. 专业数据分析：适合科学实验、统计分析等专业场景

图表5：多类别箱线图（自定义提示框）

下面是一个多类别箱线图的实现代码，展示了如何添加多个数据系列并自定义提示框内容：

from pyecharts import options as opts
from pyecharts.charts import Boxplot
from pyecharts.commons.utils import JsCode# 省略数据字典(Boxplot().add_xaxis(xaxis_data=axis_data).add_yaxis(series_name="category0",y_axis=data[0]["boxData"],tooltip_opts=opts.TooltipOpts(formatter=JsCode("""function(param) { return ['Experiment ' + param.name + ': ','upper: ' + param.data[0],'Q1: ' + param.data[1],'median: ' + param.data[2],'Q3: ' + param.data[3],'lower: ' + param.data[4]].join('<br/>') }""")),).add_yaxis(series_name="category1",y_axis=data[1]["boxData"],tooltip_opts=opts.TooltipOpts(formatter=JsCode("""function(param) { return ['Experiment ' + param.name + ': ','upper: ' + param.data[0],'Q1: ' + param.data[1],'median: ' + param.data[2],'Q3: ' + param.data[3],'lower: ' + param.data[4]].join('<br/>') }""")),).add_yaxis(series_name="category2",y_axis=data[2]["boxData"],tooltip_opts=opts.TooltipOpts(formatter=JsCode("""function(param) { return ['Experiment ' + param.name + ': ','upper: ' + param.data[0],'Q1: ' + param.data[1],'median: ' + param.data[2],'Q3: ' + param.data[3],'lower: ' + param.data[4]].join('<br/>') }""")),).set_global_opts(title_opts=opts.TitleOpts(title="Multiple Categories", pos_left="center"),legend_opts=opts.LegendOpts(pos_top="3%"),tooltip_opts=opts.TooltipOpts(trigger="item", axis_pointer_type="shadow"),xaxis_opts=opts.AxisOpts(name_gap=30,boundary_gap=True,splitarea_opts=opts.SplitAreaOpts(areastyle_opts=opts.AreaStyleOpts(opacity=1)),axislabel_opts=opts.LabelOpts(formatter="expr {value}"),splitline_opts=opts.SplitLineOpts(is_show=False),),yaxis_opts=opts.AxisOpts(type_="value",min_=-400,max_=600,splitarea_opts=opts.SplitAreaOpts(is_show=False),),datazoom_opts=[opts.DataZoomOpts(type_="inside", range_start=0, range_end=20),opts.DataZoomOpts(type_="slider", xaxis_index=0, is_show=True),],)#.render("multiple_categories.html").render_notebook()
)

代码详解

1. 数据准备：

   • axis_data：X轴的分类标签
   • data：包含三个类别的数据字典，每个类别包含箱线图所需的统计数据
   • 每个箱线图数据点格式为[upper, Q1, median, Q3, lower]，对应箱线图的五个关键统计量

2. 自定义提示框：

   • 使用JsCode自定义提示框格式，展示箱线图的五个关键统计量
   • 提示框内容使用HTML格式，通过<br/>实现换行
   • 这种自定义格式使数据解读更加直观，用户可以清晰看到每个实验的统计指标

3. 多系列添加：

   • 通过三次调用add_yaxis方法添加三个数据系列
   • 每个系列使用不同的类别名称和对应的数据
   • 每个系列都应用了相同的自定义提示框格式

4. 全局配置：

   • 设置标题居中显示
   • 图例放置在顶部3%的位置
   • X轴设置了分隔区域，增强可读性
   • 添加数据缩放功能，支持内部缩放和滑块缩放两种模式
   • Y轴设置了固定的取值范围，确保图表展示效果

📌 多类别箱线图关键点总结

• 使用JsCode可以高度自定义提示框内容，满足专业数据展示需求
• 多系列箱线图通过多次调用add_yaxis实现，适合多组数据对比
• datazoom_opts参数为图表添加交互缩放功能，提升用户体验
• 数据格式可以灵活定义为字典结构，便于管理多个类别的数据
• boundary_gap参数控制坐标轴两侧留白，影响图表视觉效果

自定义提示框的优势

自定义提示框为数据可视化带来以下优势：

1. 信息丰富度：可以展示比默认提示框更多的统计信息
2. 可读性：通过格式化排版，使数据更加易于理解
3. 专业性：展示专业统计指标，满足高级数据分析需求
4. 交互体验：鼠标悬停时提供详细数据解读，增强用户交互体验

后续将继续添加更多图表的实现，包括分组箱线图和自定义箱线图等。请继续关注本博客，获取更多pyecharts可视化技巧！

常见问题解答

❓ 日历图数据格式有什么要求？

日历图要求数据格式为[日期字符串, 数值]的列表，日期字符串需要是YYYY-MM-DD格式。例如：

data = [["2023-01-01", 1500], ["2023-01-02", 2000], ...]

❓ 如何更改日历图的颜色主题？

可以通过VisualMapOpts中的range_color参数自定义颜色：

visualmap_opts=opts.VisualMapOpts(range_color=["#e6f7ff", "#bae7ff", "#91d5ff", "#69c0ff", "#40a9ff"],# 其他配置...
)

❓ 日历图支持哪些交互功能？

日历图支持鼠标悬停显示详细信息，点击日期高亮等交互功能。可以通过tooltip_opts自定义提示框内容。

💡 专业建议：数据可视化的核心是传递信息而非炫技。根据数据特点和展示需求选择合适的图表类型，才能让数据故事更清晰易懂。

总结与展望

通过本教程，我们系统学习了如何使用pyecharts创建五种实用的日历图和箱线图可视化图表，从基础到进阶，全面掌握了这两种图表类型的核心功能和高级应用。

核心收获

1. 日历图应用：掌握了基础日历图和高级日历热图的实现方法，学会了通过位置调整、颜色映射和标签控制来优化视觉效果

2. 箱线图技术：从基础箱线图到多类别箱线图，再到与散点图的组合应用，全面理解了箱线图在数据分布分析中的强大功能

3. 高级技巧：学习了Grid组件的使用、自定义提示框、数据预处理等高级技巧，能够创建更加专业和个性化的可视化图表

实用建议

• 数据准备：日历图需要严格的日期格式数据，箱线图需要特定的嵌套列表结构，务必注意数据格式要求
• 视觉优化：合理使用位置参数、颜色映射和标签控制，可以显著提升图表的可读性和专业感
• 组合应用：尝试将不同图表类型组合使用，如箱线图与散点图的组合，能够展示更丰富的数据分析维度

进阶方向

1. 探索更多pyecharts组件（如Tab、Timeline）与日历图/箱线图的结合应用
2. 学习pyecharts的主题定制功能，创建符合特定品牌风格的可视化图表
3. 研究大数据量下的图表性能优化技巧
4. 结合实际业务场景，开发更复杂的交互式数据仪表盘

希望本教程能够帮助您更好地掌握pyecharts的日历图和箱线图可视化技术，为您的数据可视化工作提供有力支持！