一、json数据格式

1.1 json数据格式的定义与功能

json是一种轻量级的数据交互格式，可以按照json指定的格式去组织和封装数据，json数据格式本质上是一个带有特定格式的字符串。

功能：json就是一种在各个编程语言中流通的数据格式，负责不同编程语言中的数据传递和交互。

就类似于英语是国际通用语言，普通话是中国的通用语言。

各种编程语言存储数据的容器不尽相同，在Python中有字典dict这样的数据类型, 而其它语言可能没有对应的字典。

json就是一种非常良好的中转数据格式，可以让不同的语言都能够相互通用，互相传递数据。

功能如下图所示：

1.2 json的数据格式

json的数据格式非常严格，如下所示：

#json是数据格式可以是：
{'name':'Garfield','age':6}  #类似于字典
#json是数据格式也可以是：
[{'name':'Garfield','age':6},{'name':'Jon','age':26}]  #类似于元素类型为字典的列表

1.3 Python数据和Json数据的相互转化

语法：

json.dumps( 数据名 )   #把python数据转换为json数据

json.loads( 数据名 )     #把json数据转换为python数据

代码示例：

#导入json模块
import json

#准备符合json格式要求的python数据
info=[{'name':'Garfield','age':6},{'name':'Jon','age':26}]

#通过json.dumps( )方法，把python数据转换为json数据
info=json.dumps(info)
print(type(info))
print(info)

#通过json.loads( )方法，把json数据转换为python数据
info=json.loads(info)
print(type(info))
print(info)

输出：

<class 'str'>  #验证了json数据本质上是一个带有特定格式的字符串
[{"name": "Garfield", "age": 6}, {"name": "Jon", "age": 26}]
<class 'list'>
[{'name': 'Garfield', 'age': 6}, {'name': 'Jon', 'age': 26}]

Python语言使用json有很大优势，因为json无非就是一个单独的字典或一个内部元素都是字典的列表,所以json可以直接和Python的字典或列表进行无缝转换。

二、pyecharts包

如果想要做出数据可视化效果图，我们可以借助pyecharts包来完成。

Echarts 是由百度开源的数据可视化图标库，提供直观，生动，可交互，可个性化定制的数据可视化图表 ，pyecharts是 Python 适用版本的Echarts。

我们在前面学习包时，简单提到过pyecharts包，pyecharts包常用于图形可视化，pyecharts包的安装也演示过，详见http://t.csdnimg.cn/RSL5x。

如果我们想了解pyecharts，可以访问网址：https://pyecharts.org，里面有很多图表的具体介绍。pyecharts - A Python Echarts Plotting Library built with love.Descriptionhttps://pyecharts.org/#/

三、pyecharts快速入门

3.1构建一个基础的折线图

我们要构建一个水果数量的统计图，代码如下：

#导包，导入pyecharts包charts模块Line功能
from pyecharts.charts import Line
#构建折线图框架
line=Line()
#添加X轴数据
line.add_xaxis(["苹果","香蕉","橘子"])
#添加Y轴数据
line.add_yaxis("数量",[10,20,15])
#生成图表
line.render()

运行后没有输出，但在同文件目录下生成了一个文件render.html，这是一个网页文件，我们可以通过浏览器查看，如图所示：

此处选择了Edge浏览器，图表如下：

想要了解更多折线图的用法，可以参考：DocumentDescriptionhttps://gallery.pyecharts.org/#/Line/basic_line_chart

3.2配置选项

pyecharts模块中有很多的配置选项，常用到2个类别的选项：全局配置选项和系列配置选项。

此处我们主要简单介绍一下全局配置选项中几个常用的功能。

我们尝试调整一些全局配置选项：

#导包
from pyecharts.charts import Line
from pyecharts.options import TitleOpts,LegendOpts,ToolboxOpts,VisualMapOpts,TooltipOpts
#构建折线图框架
line=Line()
#添加X轴数据
line.add_xaxis(["苹果","香蕉","橘子"])
#添加Y轴数据
line.add_yaxis("数量",[10,20,15])
#全局配置选项通过set_global_opts来设置
line.set_global_opts(
    title_opts=TitleOpts('水果数量统计',pos_left='center',pos_bottom='1%'),
    ledend_opts=LegendOpts(is_show=True),
    toolbox_opts=ToolboxOpts(is_show=True),
    visualmap_opts=VisualMapOpts(is_show=True),
    tooltip_opts=TooltipOpts(is_show=True)
)
#生成图表
line.render()

通过Edge查看图表：

关于全局配置选项的更多信息，其中功能的用法，请浏览pyecharts官网，诸如下图，非常详细。

四、处理数据并生成图表

我们把三个记录不同国家新冠疫情状况的数据文件，转化成折线图。

数据文件可提取：
链接：https://pan.baidu.com/s/1_tvWaN3_x3mZ_nUIl579Pg?pwd=66xw 
提取码：66xw

这三份文件的数据内容都是json格式，如图所示：

文件的数据层级如下：

我们要把这三份文件的数据内容转化成图表，文件中部分内容是多余的，我们用代码去除（也可以手动删除，用代码去除是为了复习前面的知识），去除后才能作为标准的json数据去处理。

多余的部分如下图所示（以美国.txt为例），看上面的数据层级图会更加明显。

 处理的方式：

• 文件开头，采用字符串的replace（）方法，用空格代替多余的内容，效果相当于删去多余内容，用法详见：http://t.csdnimg.cn/kbHew，3.2字符串的替换 。
• 文件结尾，采用数据容器切片的方法，取从开始到最后（不包含最后2个字符）的全部内容，用法详见：http://t.csdnimg.cn/sjUEt

把文件内的数据处理规范之后，将json数据转换成python字典。

转换成字典后，我们要去获取数据，需要日期数据作为X轴，患病状态有4种，取第一项确诊人数作为Y轴。X轴和Y轴的数据都是“trend”里面的value，必须先获取“trend”这个key。

“trend”又是一个嵌套字典，把它拿出来，放到新字典“us_trend_data”中，再去访问日期数据和确诊人数，就清晰容易了很多。

处理完X轴和Y轴需要的数据后，我们开始构建图表，X轴的数据是日期，日期是公用的，一组即可，Y轴是美日印确诊人数，需要3组，进行对比，然后添加细节（为了避免图表杂乱，在系列配置中选择了不显示标签，还设置了全局配置选项），如下列代码所示：

#导入模块
import json
from pyecharts.charts import Line
from pyecharts.options import TitleOpts,LegendOpts,ToolboxOpts,VisualMapOpts,TooltipOpts,LabelOpts

#处理数据
f_us=open('E:/可视化案例数据/折线图数据/美国.txt','r',encoding='UTF-8')
us_data=f_us.read() #获取美国的全部内容
f_jp=open('E:/可视化案例数据/折线图数据/日本.txt','r',encoding='UTF-8')
jp_data=f_jp.read() #获取日本的全部内容
f_in=open('E:/可视化案例数据/折线图数据/印度.txt','r',encoding='UTF-8')
in_data=f_in.read() #获取印度的全部内容

#去掉不符合json规范的开头
us_data=us_data.replace("jsonp_1629344292311_69436(","")  #用空格替代跟去掉效果一样
jp_data=jp_data.replace("jsonp_1629350871167_29498(","")
in_data=in_data.replace("jsonp_1629350745930_63180(","")

#去掉不符合json规范的结尾
us_data=us_data[:-2]
jp_data=jp_data[:-2]
in_data=in_data[:-2]

#json数据转换成python字典
us_dict=json.loads(us_data)
jp_dict=json.loads(jp_data)
in_dict=json.loads(in_data)

#转化成字典后，获取trend这个key
us_trend_data=us_dict['data'][0]['trend']
jp_trend_data=jp_dict['data'][0]['trend']
in_trend_data=in_dict['data'][0]['trend']

#获取日期数据，用于X轴，取2020年（到314下标结束）
us_x_data=us_trend_data['updateDate'][:314] #日期数据只需要获取一次，因为统计的时间段是一样
jp_x_data=us_trend_data['updateDate'][:314]
in_x_data=us_trend_data['updateDate'][:314]

#获取确诊数据，用于Y轴，取2020年（到314下标结束）
us_y_data=us_trend_data['list'][0]['data'][:314]
jp_y_data=jp_trend_data['list'][0]['data'][:314]
in_y_data=in_trend_data['list'][0]['data'][:314]

#构建折线图框架
line=Line()
#添加X轴数据
line.add_xaxis(us_x_data) #日期数据是公用的，因为统计的时间段相同
#添加Y轴数据
line.add_yaxis("美国确诊人数",us_y_data,label_opts=LabelOpts(is_show=False))#不显示标签
line.add_yaxis("日本确诊人数",jp_y_data,label_opts=LabelOpts(is_show=False))
line.add_yaxis("印度确诊人数",in_y_data,label_opts=LabelOpts(is_show=False))
#设置全局选项
line.set_global_opts(
    title_opts=TitleOpts(title="2020年美日印确诊人数对比折线图",pos_left='center',pos_bottom='1%'),
    legend_opts=LegendOpts(is_show=True),
    toolbox_opts=ToolboxOpts(is_show=True),
    visualmap_opts=VisualMapOpts(is_show=True),
    tooltip_opts=TooltipOpts(is_show=True)
)
#生成图表
line.render()
#关闭文件对象
f_us.close()
f_jp.close()
f_in.close()

生成的图表在Edge中查看：

五、总结

把数据做成图表分为2大步：

• 处理数据
  • 处理为标准的json数据格式
  • json数据格式转化为python字典
  • 获取X轴和Y轴数据
• 图表构建

  • 构建折线图框架

  • 添加X轴、Y轴数据

  • 设置（需要的）全局配置和系列配置选项

  • 生成图表