欢迎来到pyecharts饼图系列教程的进阶篇！在上一篇基础教程中，我们学习了饼图的基本概念和简单实现。在本文中，我们将深入探索pyecharts中饼图的六种高级用法和自定义选项，包括环形饼图、富文本标签饼图、滚动图例饼图、环形图、嵌套饼图和多饼图组合。这些技巧将帮助你创建更加专业、美观且信息丰富的数据可视化图表。pyecahts源码
下面是本文将要介绍的饼图类型概览：
- 环形饼图：基础环形设计，适合展示分类占比
- 富文本标签饼图：自定义标签样式，提升信息展示效果
- 滚动图例饼图：解决多类别数据图例过长问题
- 环形图(Doughnut_chart)：中间留白的环形设计，适合对比数据
- 嵌套饼图(Nested_pies)：多层级数据结构展示
- 多饼图(Multiple_pie)：多图表对比分析
让我们从环形饼图开始学习。
目录
环形饼图（Pie - Customized_pie）
环形饼图是饼图的基础变体，通过设置内半径不为零创建环形效果，使图表更加直观和美观。下面是一个展示不同访问来源数据的环形饼图实现代码：
import pyecharts.options as opts
from pyecharts.charts import Pie
"""
Gallery 使用 pyecharts 1.1.0
参考地址: `https://echarts.apache.org/examples/editor.html?c=pie-doughnut`
目前无法实现的功能:
1、迷之颜色映射的问题
"""
# 定义数据
x_data = ["直接访问", "邮件营销", "联盟广告", "视频广告", "搜索引擎"]
y_data = [335, 310, 274, 235, 400]
# 组合数据并按值排序
data_pair = [list(z) for z in zip(x_data, y_data)]
data_pair.sort(key=lambda x: x[1])
# 创建饼图实例
( Pie(init_opts=opts.InitOpts(bg_color="#2c343c")) # 设置背景颜色为深色
.add(
series_name="访问来源", # 系列名称
data_pair=data_pair, # 数据对
rosetype="radius", # 设置为环形图
radius="55%", # 饼图半径
center=["50%", "50%"], # 饼图中心位置
label_opts=opts.LabelOpts(is_show=False, position="center"), # 不显示中心标签
)
.set_global_opts(
title_opts=opts.TitleOpts(
title="Customized Pie", # 图表标题
pos_left="center", # 标题位置
pos_top="20", # 标题距离顶部的距离
title_textstyle_opts=opts.TextStyleOpts(color="#fff"), # 标题颜色
),
legend_opts=opts.LegendOpts(is_show=False), # 不显示图例
)
.set_series_opts(
tooltip_opts=opts.TooltipOpts(
trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)" # 提示框格式
),
label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.3)"), # 标签颜色
)
#.render("customized_pie.html") # 渲染为HTML文件
.render_notebook() # 在Notebook中显示
)
代码解析
环形饼图的实现主要包含以下步骤：
数据准备：定义访问来源名称(
x_data)和对应数据值(y_data)，组合成数据对并按值排序，使饼图扇区按大小顺序排列，提升可读性。饼图初始化：通过
Pie(init_opts=opts.InitOpts(bg_color="#2c343c"))创建实例并设置深色背景，增强图表视觉效果。添加数据系列：使用
.add()方法添加数据，关键参数rosetype="radius"启用环形效果，radius="55%"控制环形大小，center=["50%", "50%"]设置饼图在画布中心位置。全局配置：通过
set_global_opts()设置标题样式和位置，隐藏图例以简化界面。系列配置：使用
set_series_opts()自定义提示框格式和标签样式，提示框会显示系列名称、数据名称、数值和百分比。渲染输出：提供两种输出方式，
render()生成HTML文件，render_notebook()适合在Jupyter环境中直接展示。
效果与应用
核心优势：环形设计比普通饼图更直观，能够更好地展示各分类间的比例关系。深色背景增强了数据的可读性，使图表在投影演示、报告和网页中都能清晰显示。
适用场景：
- 网站流量来源分析
- 销售渠道占比统计
- 市场份额分布展示
- 资源分配可视化
使用技巧：当数据类别较少（5-8个）且需要突出比例关系时，环形饼图是理想选择。如需强调某个类别，可考虑调整其颜色或添加动画效果。
接下来，我们将学习如何创建带有富文本标签的饼图，通过自定义标签样式提升数据展示效果。
富文本标签饼图（Pie - Rich Text Label）
富文本标签是提升饼图信息展示效果的重要手段，通过自定义标签样式、背景和格式，可以使数据标签更加直观、美观且信息丰富。下面是一个使用富文本标签的饼图示例：
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
c = (
Pie()
.add(
"",
[list(z) for z in zip(Faker.choose(), Faker.values())],
radius=["40%", "55%"],
label_opts=opts.LabelOpts(
position="outside",
formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c} {per|{d}%} ",
background_color="#eee",
border_color="#aaa",
border_width=1,
border_radius=4,
rich={
"a": {"color": "#999", "lineHeight": 22, "align": "center"},
"abg": {
"backgroundColor": "#e3e3e3",
"width": "100%",
"align": "right",
"height": 22,
"borderRadius": [4, 4, 0, 0],
},
"hr": {
"borderColor": "#aaa",
"width": "100%",
"borderWidth": 0.5,
"height": 0,
},
"b": {"fontSize": 16, "lineHeight": 33},
"per": {
"color": "#eee",
"backgroundColor": "#334455",
"padding": [2, 4],
"borderRadius": 2,
},
},
),
)
.set_global_opts(title_opts=opts.TitleOpts(title="Pie-富文本示例"))
#.render("pie_rich_label.html")
)
c.render_notebook()
代码解析
富文本标签饼图的核心在于label_opts配置：
标签格式定义：通过
formatter参数设置标签模板：{a|{a}}{abg|} {hr|} {b|{b}: }{c} {per|{d}%}，其中{a}表示系列名称，{b}表示数据名称，{c}表示数据值，{d}表示百分比。样式类定义：
rich参数是一个字典，定义了模板中各部分的样式：a：系列名称样式（灰色、居中对齐）abg：标签背景样式（浅灰色、圆角）hr：分隔线样式（细灰色线）b：数据名称样式（大字体）per：百分比样式（深色背景、白色文字）
标签位置：设置
position="outside"将标签显示在饼图外部，避免遮挡数据。数据生成：使用
Faker类快速生成模拟数据，简化示例代码。
效果与应用
核心优势：富文本标签大大提升了数据标签的可读性和美观度，使标签不仅是数据展示工具，还能成为图表的视觉元素之一。
适用场景：
- 需要展示详细数据信息的报告
- 面向客户的演示文稿
- 数据看板和仪表盘
- 学术论文中的数据可视化
使用技巧：根据实际需求调整标签样式，确保文字与背景对比度足够，避免标签过于复杂影响可读性。对于数据密集型图表，富文本标签可以帮助用户快速获取关键信息。
接下来，我们将学习如何创建带有滚动图例的饼图，解决数据类别较多时的图例过长问题。
滚动图例饼图（Pie - Scroll Legend）
当饼图数据类别较多（10个以上）时，传统图例会占据大量空间，影响整体布局。滚动图例通过垂直滚动方式展示所有类别，既节省空间又保持了数据的完整性。下面是一个带有滚动图例的饼图示例：
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
c = (
Pie()
.add(
"",
[
list(z)
for z in zip(
Faker.choose() + Faker.choose() + Faker.choose(),
Faker.values() + Faker.values() + Faker.values(),
)
],
center=["40%", "50%"],
)
.set_global_opts(
title_opts=opts.TitleOpts(title="Pie-Legend 滚动"),
legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical"),
)
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
#.render("pie_scroll_legend.html")
)
c.render_notebook()
代码解析
滚动图例饼图的实现重点在于图例配置：
数据准备：通过多次调用
Faker.choose()和Faker.values()生成大量模拟数据，模拟类别较多的场景。滚动图例设置：核心参数
legend_opts=opts.LegendOpts(type_="scroll", pos_left="80%", orient="vertical")：type_="scroll"：启用图例滚动功能pos_left="80%"：将图例放置在右侧orient="vertical"：设置图例为垂直方向
饼图位置调整：通过
center=["40%", "50%"]将饼图向左移动，为右侧滚动图例留出足够空间。标签简化：设置标签格式为
{b}: {c}，只显示数据名称和数值，避免标签过于复杂。
效果与应用
核心优势：在不牺牲数据完整性的前提下，有效解决了多类别数据图例过长的问题，保持了图表的简洁性和可用性。
适用场景：
- 产品分类数据展示
- 地区分布统计
- 多品牌市场份额分析
- 细分市场调研数据
使用技巧：当数据类别超过10个时，建议使用滚动图例。同时，调整饼图位置和大小，确保与图例之间有足够的空间，避免视觉冲突。
接下来，我们将学习另一种风格的环形图（Doughnut_chart），其特点是中间留有较大空白，可用于展示额外信息。
环形图（Doughnut_chart）
环形图是饼图的经典变体，通过在中间留出较大空白区域，不仅可以减轻视觉负担，还能在空白处展示标题或关键指标。这种设计特别适合对比数据或展示占比关系。下面是一个环形图的实现示例：
import pyecharts.options as opts
from pyecharts.charts import Pie
"""
Gallery 使用 pyecharts 1.1.0
参考地址: `https://echarts.apache.org/examples/editor.html?c=pie-doughnut`
目前无法实现的功能:
1、饼状图中间的图例名称暂时无法显示
"""
# 定义数据
x_data = ["直接访问", "邮件营销", "联盟广告", "视频广告", "搜索引擎"]
y_data = [335, 310, 234, 135, 1548]
# 创建饼图实例
(
Pie()
.add(
series_name="访问来源",
data_pair=[list(z) for z in zip(x_data, y_data)],
radius=["50%", "70%"],
label_opts=opts.LabelOpts(is_show=False, position="center"),
)
.set_global_opts(legend_opts=opts.LegendOpts(pos_left="left", orient="vertical"))
.set_series_opts(
tooltip_opts=opts.TooltipOpts(
trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
),
# label_opts=opts.LabelOpts(formatter="{b}: {c}")
)
#.render("doughnut_chart.html")
.render_notebook()
)
代码解析
环形图的实现要点如下：
环形效果配置：通过
radius=["50%", "70%"]设置内外半径，创建环形效果。内圆半径越大，中间空白区域越大。图例位置优化：将图例放置在左侧并设置为垂直方向(
pos_left="left", orient="vertical")，便于用户查看类别信息。中心标签处理：当前版本中，环形图中间的图例名称暂时无法显示（代码中已注释说明），这是一个已知限制。
数据特点适配：示例中搜索引擎数据值(1548)远大于其他类别，环形图能够清晰展示这种占比悬殊的数据，突出主要类别。
效果与应用
核心优势：环形设计比普通饼图更适合展示占比关系，尤其是当存在一个主导类别时。中间的空白区域可以用于放置标题或关键指标（未来版本可能支持）。
适用场景：
- 业务报告中的核心指标展示
- 市场分析中的主导产品/服务占比
- 网站流量主要来源展示
- 资源分配中的主要方向突出
使用技巧：当需要突出某个主要类别时，环形图比普通饼图效果更好。可以通过调整内外半径比例，控制中间空白区域的大小。
接下来，我们将学习如何创建嵌套饼图（Nested_pies），它能够展示多层级的数据结构关系。
嵌套饼图（Nested_pies）
嵌套饼图是一种高级数据可视化工具，由多个同心圆环组成，能够直观展示多层级的数据结构关系，如大类与子类的包含关系。下面是一个嵌套饼图的实现示例：
import pyecharts.options as opts
from pyecharts.charts import Pie
"""
Gallery 使用 pyecharts 1.1.0
参考地址: `https://echarts.apache.org/examples/editor.html?c=pie-nest`
目前无法实现的功能:
1、暂无
"""
inner_x_data = ["直达", "营销广告", "搜索引擎"]
inner_y_data = [335, 679, 1548]
inner_data_pair = [list(z) for z in zip(inner_x_data, inner_y_data)]
outer_x_data = ["直达", "营销广告", "搜索引擎", "邮件营销", "联盟广告", "视频广告", "百度", "谷歌", "必应", "其他"]
outer_y_data = [335, 310, 234, 135, 1048, 251, 147, 102]
outer_data_pair = [list(z) for z in zip(outer_x_data, outer_y_data)]
(
Pie()
.add(
series_name="访问来源",
data_pair=inner_data_pair,
radius=[0, "30%"],
label_opts=opts.LabelOpts(position="inner"),
)
.add(
series_name="访问来源",
radius=["40%", "55%"],
data_pair=outer_data_pair,
label_opts=opts.LabelOpts(
position="outside",
formatter="{a|{a}}{abg|}
{hr|}
{b|{b}: }{c} {per|{d}%} ",
background_color="#eee",
border_color="#aaa",
border_width=1,
border_radius=4,
rich={
"a": {"color": "#999", "lineHeight": 22, "align": "center"},
"abg": {
"backgroundColor": "#e3e3e3",
"width": "100%",
"align": "right",
"height": 22,
"borderRadius": [4, 4, 0, 0],
},
"hr": {
"borderColor": "#aaa",
"width": "100%",
"borderWidth": 0.5,
"height": 0,
},
"b": {"fontSize": 16, "lineHeight": 33},
"per": {
"color": "#eee",
"backgroundColor": "#334455",
"padding": [2, 4],
"borderRadius": 2,
},
},
),
)
.set_global_opts(legend_opts=opts.LegendOpts(pos_left="left", orient="vertical"))
.set_series_opts(
tooltip_opts=opts.TooltipOpts(
trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"
)
)
#.render("nested_pies.html")
.render_notebook()
)
代码解析
嵌套饼图的实现需要处理多层数据和圆环配置：
多层数据准备：定义内层数据（
inner_data_pair）展示主要分类（直达、营销广告、搜索引擎），外层数据（outer_data_pair）展示更详细的子分类（如搜索引擎细分为百度、谷歌等）。同心圆环配置：通过设置不同的
radius值创建多层圆环：- 内层圆环：
radius=[0, "30%"]（实心内圆） - 外层圆环：
radius=["40%", "55%"]（环形）
- 内层圆环：
标签策略：内层标签设置为
position="inner"显示在圆环内部；外层标签设置为position="outside"并使用富文本格式，确保信息清晰易读。图例配置：将图例放置在左侧并设置为垂直方向，便于用户理解多层数据关系。
效果与应用
核心优势：嵌套饼图能够在一个图表中同时展示多层级数据关系，帮助用户理解数据的结构和层次，以及各层级之间的占比关系。
适用场景：
- 网站流量来源的大类与子类分析
- 销售数据的地区与产品分类展示
- 市场份额的品牌与产品线关系
- 人口统计的层级结构数据
使用技巧：嵌套饼图最适合展示2-3层数据结构。层数过多会导致图表过于复杂，影响可读性。确保内层和外层数据之间有明确的包含关系。
最后，我们将学习如何创建多饼图(Multiple_pie)，它可以在一个画布中展示多个独立饼图，便于对比不同类别的数据。
多饼图基本示例(Multiple_pie)
多饼图是一种强大的对比分析工具，通过在同一画布中展示多个独立饼图，可以直观对比不同类别或组的数据分布。下面是一个多饼图的实现示例：
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.commons.utils import JsCode
fn = """
function(params) {
if(params.name == '其他')
return '\\n\\n\\n' + params.name + ' : ' + params.value + '%';
return params.name + ' : ' + params.value + '%';
}
"""
def new_label_opts():
return opts.LabelOpts(formatter=JsCode(fn), position="center")
c = (
Pie()
.add(
"",
[list(z) for z in zip(["剧情", "其他"], [25, 75])],
center=["20%", "30%"],
radius=[60, 80],
label_opts=new_label_opts(),
)
.add(
"",
[list(z) for z in zip(["奇幻", "其他"], [24, 76])],
center=["55%", "30%"],
radius=[60, 80],
label_opts=new_label_opts(),
)
.add(
"",
[list(z) for z in zip(["爱情", "其他"], [14, 86])],
center=["20%", "70%"],
radius=[60, 80],
label_opts=new_label_opts(),
)
.add(
"",
[list(z) for z in zip(["惊悚", "其他"], [11, 89])],
center=["55%", "70%"],
radius=[60, 80],
label_opts=new_label_opts(),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="Pie-多饼图基本示例"),
legend_opts=opts.LegendOpts(
type_="scroll", pos_top="20%", pos_left="80%", orient="vertical"
),
)
# .render("mutiple_pie.html")
)
c.render_notebook()
代码解析
多饼图的实现需要处理多个饼图的添加和布局：
自定义标签函数：使用
JsCode定义JavaScript函数fn，实现标签的动态格式化。当数据名称为’其他’时，添加额外换行符避免标签拥挤。标签配置封装：通过
new_label_opts()函数封装标签配置，提高代码复用性。多饼图添加：通过四次调用
.add()方法添加四个独立饼图，分别展示剧情、奇幻、爱情、惊悚四类数据的分布。饼图布局控制：通过
center参数精确设置每个饼图的中心位置（如["20%", "30%"]），使四个饼图分布在画布的四个象限。饼图大小统一：使用相同的
radius=[60, 80]设置每个饼图的内外半径，确保视觉一致性。滚动图例支持：设置滚动图例，解决多类别数据的图例展示问题。
效果与应用
核心优势：多饼图能够在同一画布中展示多个数据分布，便于直接对比不同组或类别的数据特征，发现它们之间的差异和相似性。
适用场景：
- 不同电影类型的观众占比对比
- 各地区销售数据的分布比较
- 不同时间段的用户行为分析
- 多产品/服务的市场份额对比
使用技巧：保持各个饼图的样式一致（如颜色、大小），便于观众进行对比。饼图数量不宜过多（建议不超过4-6个），避免图表过于拥挤。
总结与展望
在本文中，我们学习了pyecharts中六种饼图的高级用法：
- 环形饼图：基础环形设计，适合展示分类占比
- 富文本标签饼图：自定义标签样式，提升信息展示效果
- 滚动图例饼图：解决多类别数据图例过长问题
- 环形图(Doughnut_chart)：中间留白的环形设计，适合对比数据
- 嵌套饼图(Nested_pies)：多层级数据结构展示
- 多饼图(Multiple_pie)：多图表对比分析
这些技巧涵盖了饼图的主要高级应用场景，能够帮助你创建更加专业、美观且信息丰富的数据可视化图表。
在后续的文章中，我们将继续探索pyecharts
如果你有任何问题或建议，欢迎在评论区留言讨论。