芜湖市链家二手房可视化平台
成品展示
重点说明
1.数据特征数量和名称、数据量
数据特征数量:14;
名称:小区名、价格/万、地区、房屋户型、所在楼层、建筑面积/平方米、户型结构、套内面积、建筑类型、房屋朝向、建筑结构、装修情况、梯户比例、配备电梯;
数据量:3000条。
2.主要爬取和预处理的工具或库
爬取的工具:Requests、time、csv、lxml;
预处理的库:pandas、json、pyecharts;
Web开发框架:HTML、CSS、JavaScript、jQuery、Bootstrap;
3.软件模块设计(类、函数等)
#获取每一页的url
def Get_url(url):
#获取每套房详情信息的url
def Get_house_url(all_url,headers):
#获取每套房的详情信息
def Analysis_html(url_ls,headers):
#把爬取的信息存入文件
def Save_data(name, money, area, data):
4.软件产品形式
Web网站:
http://47.113.217.27/lianjiaershoufang/app/templates/index.html,欢迎访问
摘要
在当前房价高涨的市场环境下,购房者对于房价信息的获取和分析需求日益增强。作为房地产行业的领军企业之一,链家网拥有大量的房源信息和用户数据。为了更好地满足用户需求,提升购房体验,本设计计划构建一个芜湖市链家二手房可视化平台,通过爬取和预处理链家网的房屋数据,为用户提供直观、便捷的房价信息展示和分析工具。
通过使用requests库发送请求获取网页内容,使用time库控制程序的请求速度,使用lxml库解析HTML数据并保存实现对链家网站的数据爬取,使用pandas库对原始数据进行缺失值检测、添加表格头、数据类型转换、异常数据替换等操作,并对各地区房源数量、各地区房价、户型结构分布、所在楼层分布、配备电梯情况等进行分析并转换成json数据实现数据的预处理,成功构建了包含房屋属性、交易属性等关键信息的数据库。采用HTML、CSS、echarts、jQuery、BootStrap框架开发芜湖市链家二手房可视化平台,读取转换的json数据以可视化看板的形式展现给用户。
在数据采集过程中,针对数据不完整和爬虫程序触发限制等问题,提出了分区域爬取和合理控制爬取速度等有效措施。经过数据清洗与分析,确保数据质量并存储于适当格式。平台功能设计完善,部署顺利,为后续的可视化展示提供了坚实基础。
平台对各地区房源数量、各地区房价、户型结构分布、所在楼层分布、配备电梯情况等进行分析,可以让用户快速了解芜湖市二手房的关键信息,辅助用户决策。
在构建芜湖市链家二手房可视化平台的旅程中,成功地将链家网的海量房源数据转化为直观、易理解的可视化信息,为用户提供了宝贵的参考依据。通过不断的优化和迭代,确保了数据的准确性和实时性,满足了购房者在当前房价高涨市场环境下对房价信息的迫切需求。
展望未来,将继续倾听用户的声音,不断完善平台的各项功能,提升用户体验。也将积极探索新的数据源和分析方法,为用户提供更加全面、深入的房地产市场分析服务。相信,在不久的将来,芜湖市链家二手房可视化平台将成为购房者不可或缺的信息助手,帮助他们更加明智地做出购房决策。
下面是具体实现代码
(代码中的路径自己替换成自己的路径)
爬虫程序(URL自己替换成自己想爬取城市的)
import requests,time,csv
import pandas as pd
from lxml import etree
#获取每一页的url
def Get_url(url):
all_url=[]
for i in range(1,101):
all_url.append(url+'pg'+str(i)+'/') #储存每一个页面的url
return all_url
#获取每套房详情信息的url
def Get_house_url(all_url,headers):
num=0
#简单统计页数
for i in all_url:
r=requests.get(i,headers=headers)
html=etree.HTML(r.text)
url_ls=html.xpath("//ul[@class='sellListContent']/li/a/@href") #获取房子的url
Analysis_html(url_ls,headers)
time.sleep(4)
print("第%s页爬完了"%i)
num+=1
#获取每套房的详情信息
def Analysis_html(url_ls,headers):
for i in url_ls: #num记录爬取成功的索引值
r=requests.get(i,headers=headers)
html=etree.HTML(r.text)
name=(html.xpath("//div[@class='communityName']/a/text()"))[0].split() #获取房名
money = html.xpath("//span[@class='total']/text()" )# 获取价格
area = html.xpath("//span[@class='info']/a[1]/text()") # 获取地区
data = html.xpath("//div[@class='content']/ul/li/text()")# 获取房子基本属性
Save_data(name,money,area,data)
#把爬取的信息存入文件
def Save_data(name, money, area, data):
result=[name[0]]+money+[area]+data #把详细信息合为一个列表
with open(r'../app/data/raw_data.csv','a',encoding='utf_8_sig',newline='')as f:
wt=csv.writer(f)
wt.writerow(result)
print('已写入')
f.close()
if __name__=='__main__':
url='https://wuhu.lianjia.com/ershoufang/'
headers={
"Upgrade-Insecure-Requests":"1",
"User-Agent":"Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit/537.36(KHTML,like Gecko)Chrome"
"/72.0.3626.121 Safari/537.36"
}
all_url=Get_url(url)
with open(r'../app/data/raw_data.csv', 'a', encoding='utf_8_sig', newline='') as f:
#首先加入表格头
table_label=['小区名','价格/万','地区','房屋户型','所在楼层','建筑面积','户型结构','套内面积','建筑类型','房屋朝向'
,'建筑结构','装修情况','梯户比例','配备电梯']
wt=csv.writer(f)
wt.writerow(table_label)
Get_house_url(all_url,headers)
预处理程序
import csv
# 打开原始CSV文件和目标CSV文件,指定编码方式为UTF-8
with open('../app/data/raw_data.csv', 'r', newline='', encoding='utf-8') as infile, \
open('../app/data/cleaned_data.csv', 'w', newline='', encoding='utf-8') as outfile:
reader = csv.reader(infile)
writer = csv.writer(outfile)
# 跳过原始CSV文件的第一行
next(reader)
# 添加表格头
table_label=['小区名','价格/万','地区','房屋户型','所在楼层','建筑面积','户型结构','套内面积','建筑类型','房屋朝向'
,'建筑结构','装修情况','梯户比例','配备电梯']
writer.writerow(table_label)
# 删除指定列的索引
columns_to_drop = [3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25,26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41]
for row in reader:
# 删除指定列
cleaned_row = [row[i] for i in range(len(row)) if i not in columns_to_drop]
writer.writerow(cleaned_row)
import pandas as pd
# 读取csv文件的前14列
df = pd.read_csv('../app/data/cleaned_data.csv', encoding='utf-8', usecols=range(14))
# 去除地区列中的 [''](使用正则表达式)
df['地区'] = df['地区'].str.replace(r"['\[\]]", '', regex=True)
# 去除建筑面积列中的㎡
df['建筑面积'] = df['建筑面积'].str.replace('㎡', '')
# 修改列名为'建筑面积/平方米'
df = df.rename(columns={'建筑面积': '建筑面积/平方米'})
# 所在楼层列只保留前三个文字
df['所在楼层'] = df['所在楼层'].str.slice(0, 3)
df['地区'] = df['地区'].replace('三山区', '弋江区')
df['所在楼层'] = df['所在楼层'].replace('22.', '高楼层')
# 将'三山区'改为'弋江区'
# 将'经济开发区'改为'鸠江区'
df['地区'] = df['地区'].replace('经济开发区', '鸠江区')
# 保存修改后的数据
df.to_csv('../app/data/last_cleaned_data.csv', index=False)
转换成Echarts需要的json数据程序
import pandas as pd
# 读取csv文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 计算价格/万列的均值
mean_price = df['价格/万'].mean()
print("价格/万列的均值为:", mean_price)
import pandas as pd
import json
# 读取地区数据
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 统计每个地区的数量
area_counts = df['地区'].value_counts().reset_index()
area_counts.columns = ['name', 'value']
# 转换为需要的格式
json_data = area_counts.to_dict(orient='records')
# 保存为json文件
with open('../app/templates/wuhu_data.json', 'w', encoding='utf-8') as f:
json.dump({"datas": json_data}, f, ensure_ascii=False)
print("各地区房源数量统计JSON文件保存成功。")
import pandas as pd
# 读取 CSV 文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 对小区名列进行统计
counts = df['小区名'].value_counts()
# 转换成指定的 JSON 格式
result = {
"ciyunshuju": [
{
"name": name,
"value": count
}
for name, count in counts.items()
]
}
# 输出 JSON 文件
with open('../app/templates/ciyun.json', 'w',encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("小区名词云数据JSON文件保存成功。")
import pandas as pd
# 读取 CSV 文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 对户型结构列进行统计
counts = df['户型结构'].value_counts()
# 转换成指定的 JSON 格式
result = {
"huxingjiegou": [
{
"name": name,
"value": count
}
for name, count in counts.items()
]
}
# 输出 JSON 文件
with open('../app/templates/huxing.json', 'w',encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("户型结构分布数据JSON文件保存成功。")
import json
from pyecharts import options as opts
from pyecharts.charts import WordCloud
# Read data from ciyun.json
with open('../app/templates/ciyun.json', 'r', encoding='utf-8') as file:
data = json.load(file)
# Extract name-value pairs from the data
words = [(item['name'], item['value']) for item in data['ciyunshuju']]
# Generate word cloud
wordcloud = (
WordCloud()
.add("", words, word_size_range=[10, 30])
.set_global_opts(
graphic_opts=[opts.GraphicGroup(
graphic_item=opts.GraphicItem(
left="center", top="middle", width=500, height=300
)
)]
)
)
# Save word cloud as an HTML file
wordcloud.render('../app/templates/wordcloud.html')
print('小区名词云图绘制成功')
import pandas as pd
import json
# 读取CSV文件
df = pd.read_csv('../app/data/last_cleaned_data.csv')
# 将需要的列转换为数值类型,非数值的部分会被转换为NaN
df['价格/万'] = pd.to_numeric(df['价格/万'], errors='coerce')
df['建筑面积/平方米'] = pd.to_numeric(df['建筑面积/平方米'], errors='coerce')
# 去除包含NaN值的行
df = df.dropna(subset=['价格/万', '建筑面积/平方米', '地区'])
# 计算每平方米价格
df['每平方米价格'] = df['价格/万'] * 10000 / df['建筑面积/平方米']
# 按地区分组并计算平均值
average_price_per_sqm = df.groupby('地区')['每平方米价格'].mean().reset_index()
# 将平均值转换为整数
average_price_per_sqm['每平方米价格'] = average_price_per_sqm['每平方米价格'].astype(int)
# 将结果转换为所需的JSON格式
result = {
"diqupingjun": [
{"name": row['地区'], "value": row['每平方米价格']}
for index, row in average_price_per_sqm.iterrows()
]
}
# 将结果存储为JSON文件
with open('../app/templates/diqupingjun.json', 'w', encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("各地区平均房价数据JSON数据已保存")
import pandas as pd
import json
# 读取CSV文件
df = pd.read_csv('../app/data/last_cleaned_data.csv')
# 按地区分组并计算平均价格
average_price_per_region = df.groupby('地区')['价格/万'].mean().reset_index()
# 将结果转换为JSON格式
result = {
"diqujiage": [
{"name": row['地区'], "value": round(row['价格/万'], 2)}
for index, row in average_price_per_region.iterrows()
]
}
# 将结果存储为JSON文件
with open('../app/templates/diqujiage.json', 'w', encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("各地区平均单位房价数据JSON数据已保存")
import pandas as pd
# 读取 CSV 文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 对户型结构列进行统计
counts = df['装修情况'].value_counts()
# 转换成指定的 JSON 格式
result = {
"zhuangxiu": [
{
"name": name,
"value": count
}
for name, count in counts.items()
]
}
# 输出 JSON 文件
with open('../app/templates/zhuangxiu.json', 'w',encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("装修情况数据JSON文件保存成功。")
import pandas as pd
# 读取 CSV 文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 对配备电梯列进行统计
counts = df['配备电梯'].value_counts()
# 转换成指定的 JSON 格式
result = {
"dianti": [
{
"name": name,
"value": count
}
for name, count in counts.items()
]
}
# 输出 JSON 文件
with open('../app/templates/dianti.json', 'w',encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("配备电梯情况JSON文件保存成功。")
import pandas as pd
# 读取 CSV 文件
df = pd.read_csv('../app/data/last_cleaned_data.csv', encoding='utf-8')
# 对户型结构列进行统计
counts = df['所在楼层'].value_counts()
# 转换成指定的 JSON 格式
result = {
"louceng": [
{
"name": name,
"value": count
}
for name, count in counts.items()
]
}
# 输出 JSON 文件
with open('../app/templates/louceng.json', 'w',encoding='utf-8') as f:
json.dump(result, f, ensure_ascii=False, indent=4)
print("所在楼层分布数据JSON文件保存成功。")
JS部分代码
$(function () {
echarts_1();
echarts_2();
echarts_4();
echarts_31();
echarts_5();
echarts_6();
function echarts_31() {
var myChart = echarts.init(document.getElementById("fb1"));
myChart.setOption({
title: [{
left: 'center',
textStyle: {
color: '#fff',
fontSize: '16'
}
}],
tooltip: {
trigger: 'item',
formatter: '{a} <br/>{b} : {c} ({d}%)'
},
legend: {
orient: 'horizontal',
bottom: 0,
textStyle: {
color: '#fff' // 设置图例字体颜色为白色
},
data: [] // 初始设置为空数组,等待后续动态加载
},
series: [
{
color: ['#00d0ff', '#0059ff', '#ff6a00', '#ff0008'],
name: '户型结构占比',
type: 'pie',
center: ['50%', '50%'],
startAngle: 180,
endAngle: 360,
data: [] // 初始设置为空数组,等待后续动态加载
}
]
});
// 读取huxing.json
$.getJSON("huxing.json", function (data) {
var huxing_data = data.huxingjiegou;
// 使用huxing_data来渲染图表
// 修改图表数据
myChart.setOption({
series: [{
data: huxing_data.map(function (item) {
return {
name: item.name.trim(),
value: item.value
};
})
}],
legend: {
data: huxing_data.map(function (item) {
return item.name.trim();
})
}
});
});
}
function echarts_1() {
// 基于准备好的dom,初始化echarts实例
var myChart = echarts.init(document.getElementById('echart1'));
// 从服务器加载JSON数据
fetch('zhuangxiu.json')
.then(response => response.json())
.then(data => {
// 提取名称和对应的值
var names = data.zhuangxiu.map(item => item.name.trim());
var values = data.zhuangxiu.map(item => item.value);
var option = {
tooltip: {
trigger: 'axis',
axisPointer: {
type: 'shadow'
}
},
grid: {
left: '0%',
top: '10px',
right: '0%',
bottom: '4%',
containLabel: true
},
xAxis: [{
type: 'category',
data: names, // 使用从JSON文件中读取的数据
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
axisTick: {
show: false,
},
axisLabel: {
interval: 0,
show: true,
splitNumber: 15,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
}],
yAxis: [{
type: 'value',
axisLabel: {
show: true,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
axisTick: {
show: false,
},
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
splitLine: {
lineStyle: {
color: "rgba(255,255,255,.1)",
}
}
}],
series: [
{
name: '装修类型数量',
type: 'bar',
data: values, // 使用从JSON文件中读取的数据
barWidth: '35%', // 柱子宽度
itemStyle: {
normal: {
color: '#2f89cf',
opacity: 1,
barBorderRadius: 5,
}
}
},
{
name: '装修类型数量',
type: 'line',
data: values, // 使用从JSON文件中读取的数据
itemStyle: {
normal: {
color: '#f56c6c',
opacity: 1,
}
}
}
]
};
// 使用刚指定的配置项和数据显示图表。
myChart.setOption(option);
window.addEventListener("resize", function(){
myChart.resize();
});
});
}
function echarts_2() {
var myChart = echarts.init(document.getElementById('echart2'));
// 从服务器加载JSON数据
fetch('diqujiage.json')
.then(response => response.json())
.then(data => {
var option = {
tooltip: {
trigger: 'axis',
axisPointer: { type: 'shadow'},
formatter: function(params) {
return params[0].name + ': ' + params[0].value + ' 万';
}
},
grid: {
left: '0%',
top:'10px',
right: '0%',
bottom: '4%',
containLabel: true
},
xAxis: [{
type: 'category',
data: data.diqujiage.map(item => item.name), // 使用从JSON文件中读取的地区数据
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
axisTick: {
show: false,
},
axisLabel: {
interval: 0,
show: true,
splitNumber: 15,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
}],
yAxis: [{
type: 'value',
axisLabel: {
show:true,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
axisTick: {
show: false,
},
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
splitLine: {
lineStyle: {
color: "rgba(255,255,255,.1)",
}
}
}],
series: [
{
type: 'bar',
data: data.diqujiage.map(item => item.value), // 使用从JSON文件中读取的价格数据
barWidth:'35%', //柱子宽度
itemStyle: {
normal: {
color:'#27d08a',
opacity: 1,
barBorderRadius: 5,
}
}
}
]
};
myChart.setOption(option, true);
myChart.setOption(option);
window.addEventListener("resize",function(){
myChart.resize();
});
});
}
function echarts_5() {
var myChart = echarts.init(document.getElementById('echart5'));
// 从服务器加载JSON数据
fetch('diqupingjun.json')
.then(response => response.json())
.then(data => {
// 提取地区名称和对应的平均价格
var names = data.diqupingjun.map(item => item.name);
var values = data.diqupingjun.map(item => item.value);
var option = {
tooltip: {
trigger: 'axis',
axisPointer: {
type: 'shadow'
},
formatter: function(params) {
return params[0].name + ': ' + params[0].value + ' 元/㎡';
}
},
grid: {
left: '0%',
top: '10px',
right: '0%',
bottom: '2%',
containLabel: true
},
xAxis: [{
type: 'category',
data: names, // 使用从JSON文件中读取的地区数据
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
axisTick: {
show: false,
},
axisLabel: {
interval: 0,
show: true,
splitNumber: 15,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
}],
yAxis: [{
type: 'value',
axisLabel: {
show: true,
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: '12',
},
},
axisTick: {
show: false,
},
axisLine: {
show: true,
lineStyle: {
color: "rgba(255,255,255,.1)",
width: 1,
type: "solid"
},
},
splitLine: {
lineStyle: {
color: "rgba(255,255,255,.1)",
}
}
}],
series: [{
type: 'bar',
data: values, // 使用从JSON文件中读取的价格数据
barWidth: '35%', // 柱子宽度
itemStyle: {
normal: {
color: '#2f89cf',
opacity: 1,
barBorderRadius: 5,
}
}
}]
};
// 使用刚指定的配置项和数据显示图表
myChart.setOption(option);
window.addEventListener("resize", function() {
myChart.resize();
});
});
}
function echarts_4() {
// 基于准备好的dom,初始化echarts实例
var myChart = echarts.init(document.getElementById('echart4'));
// 从服务器加载JSON数据
fetch('dianti.json')
.then(response => response.json())
.then(data => {
// 提取名称和对应的值
var names = data.dianti.map(item => item.name.trim());
var values = data.dianti.map(item => item.value);
var option = {
tooltip: {
trigger: 'axis',
axisPointer: {
lineStyle: {
color: '#dddc6b'
}
}
},
grid: {
left: '10',
top: '30',
right: '10',
bottom: '10',
containLabel: true
},
xAxis: [{
type: 'category',
boundaryGap: false,
axisLabel: {
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: 12,
},
},
axisLine: {
lineStyle: {
color: 'rgba(255,255,255,.2)'
}
},
data: names // 使用从JSON文件中读取的数据
}, {
axisPointer: { show: false },
axisLine: { show: false },
position: 'bottom',
offset: 20,
}],
yAxis: [{
type: 'value',
axisTick: { show: false },
axisLine: {
lineStyle: {
color: 'rgba(255,255,255,.1)'
}
},
axisLabel: {
textStyle: {
color: "rgba(255,255,255,.6)",
fontSize: 12,
},
},
splitLine: {
lineStyle: {
color: 'rgba(255,255,255,.1)'
}
}
}],
series: [
{
// name: '安卓',
type: 'line',
smooth: true,
symbol: 'circle',
symbolSize: 5,
showSymbol: false,
lineStyle: {
normal: {
color: '#0184d5',
width: 2
}
},
areaStyle: {
normal: {
color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
offset: 0,
color: 'rgba(1, 132, 213, 0.4)'
}, {
offset: 0.8,
color: 'rgba(1, 132, 213, 0.1)'
}], false),
shadowColor: 'rgba(0, 0, 0, 0.1)',
}
},
itemStyle: {
normal: {
color: '#0184d5',
borderColor: 'rgba(221, 220, 107, .1)',
borderWidth: 12
}
},
data: values // 使用从JSON文件中读取的数据
},
{
// name: 'IOS',
type: 'line',
smooth: true,
symbol: 'circle',
symbolSize: 5,
showSymbol: false,
lineStyle: {
normal: {
color: '#00d887',
width: 2
}
},
areaStyle: {
normal: {
color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
offset: 0,
color: 'rgba(0, 216, 135, 0.4)'
}, {
offset: 0.8,
color: 'rgba(0, 216, 135, 0.1)'
}], false),
shadowColor: 'rgba(0, 0, 0, 0.1)',
}
},
itemStyle: {
normal: {
color: '#00d887',
borderColor: 'rgba(221, 220, 107, .1)',
borderWidth: 12
}
},
data: values // 使用从JSON文件中读取的数据
},
]
};
// 使用刚指定的配置项和数据显示图表。
myChart.setOption(option);
window.addEventListener("resize", function(){
myChart.resize();
});
});
}
function echarts_6() {
// 基于准备好的dom,初始化echarts实例
var myChart = echarts.init(document.getElementById("echart6"));
myChart.setOption({
title: [{
left: 'center',
textStyle: {
color: '#fff',
fontSize: '16'
}
}],
tooltip: {
trigger: 'item',
formatter: '{a} <br/>{b} : {c} ({d}%)'
},
legend: {
orient: 'horizontal',
bottom: 0,
textStyle: {
color: '#fff' // 设置图例字体颜色为白色
},
data: [] // 初始设置为空数组,等待后续动态加载
},
series: [
{
color: ['#00d0ff', '#0059ff', '#ff6a00', '#ff0008'],
name: '所在楼层占比',
type: 'pie',
center: ['50%', '50%'],
startAngle: 180,
endAngle: 360,
data: [] // 初始设置为空数组,等待后续动态加载
}
]
});
// 读取huxing.json
$.getJSON("louceng.json", function (data) {
var huxing_data = data.louceng;
// 使用huxing_data来渲染图表
// 修改图表数据
myChart.setOption({
series: [{
data: huxing_data.map(function (item) {
return {
name: item.name.trim(),
value: item.value
};
})
}],
legend: {
data: huxing_data.map(function (item) {
return item.name.trim();
})
}
});
});
}
})
HTML、CSS、JS等代码太多不去展示。
需要web平台端程序、文档、帮忙修改程序的可以加我QQ2579562108。