源码 - flask 和 echarts 使用柱状图折线图等可视化图表展示二手房统计数据

import platform from spider_tao365_cleaner import Tao365Cleaner import pandas as pd import json import numpy class Tao365Analysis(Tao365Cleaner): # 清洗数据后，执行数据分析 top_text = "使用 Python、Pandas、Flask框架、ECharts等技术实现" def chart001(self): # 柱状图 - 展示各行政区房屋均价 # 读取清洗后的数据文件 result_df = self.read_clean_result_file() # 从字典对象导入数据 df = pd.DataFrame(result_df) # 根据地址分组并计算每平米的平均价 mean_data = df.groupby(['地址'], as_index=False)['每平方价格'].agg({'每平方价格': 'mean'}).round() # 取出地址列数据 address = mean_data['地址'].unique() # 取出每平方价格列数据 price = mean_data['每平方价格'].unique() # 定义表格顶部title title = "各行政区房屋均价展示" # 定义表格顶部说明 text = self.top_text # 定义图表title chart_title = '各行政区房屋均价展示' # 定义图表横坐标 chart_x = '所在地区' # 定义图表纵坐标 chart_y = '房屋均价' # 定义图表单位 unit = '元' # 定义图表类型 types = 'bar' # 组装图表json数据 data_json = { 'data1': address.tolist(), 'data2': price.tolist(), 'title': title, 'text': text, 'chartTitle': chart_title, 'chartX': chart_x, 'chartY': chart_y, 'unit': unit, 'type': types } # 将json数据写入文件 with open('../data/chart001.json', 'w', encoding='utf-8') as write_f: # 打开本地文件 json.dump(data_json, write_f, indent=4, ensure_ascii=False) # python对象转换成json对象 def chart002(self): # 柱状图 - 展示各行政区房屋数量 # 读取清洗后的数据文件 result_df = self.read_clean_result_file() # 从字典对象导入数据 df = pd.DataFrame(result_df) # 将数据根据地址分组 g = df.groupby('地址') # 统计分组后的数量 df_region = g.count()['小区'] # 获取分组后的地址数据 address = df_region.index.tolist() # 获取分组后的数量 count = df_region.values.tolist() # 定义表格顶部title title = "各行政区房屋数量" # 定义表格顶部说明 text = self.top_text # 定义图表title chart_title = '各行政区房屋数量' # 图表横坐标 chart_x = '所在地区' # 图表纵坐标 chart_y = '房源数量/套' # 图表单位 unit = '套' # 图表类型 types = 'bar' # 组装图表json数据 data_json = { 'data1': address, 'data2': count, 'title': title, 'text': text, 'chartTitle': chart_title, 'chartX': chart_x, 'chartY': chart_y, 'unit': unit, 'type': types } # 将json数据写入文件 with open('../data/chart002.json', 'w', encoding='utf-8') as write_f: # 打开本地文件 json.dump(data_json, write_f, indent=4, ensure_ascii=False) # python对象转换成json对象 def chart003(self): # 折线图 - 展示南京市各区房屋均价 # 读取清洗后的数据文件 result_df = self.read_clean_result_file() # 从字典对象导入数据 df = pd.DataFrame(result_df) # 根据地址分钟并计算每平米的平均价 mean_data = df.groupby(['地址'], as_index=False)['每平方价格'].agg({'每平方价格': 'mean'}).round() # 取出地址列数据 address = mean_data['地址'].unique() # 取出每平方价格列数据 price = mean_data['每平方价格'].unique() # 定义表格顶部title title = "各行政区房屋均价" # 定义表格顶部说明 text = self.top_text # 图表title chart_title = '各区房屋均价' # 图表横坐标 chart_x = '所在地区' # 图表纵坐标 chart_y = '房屋均价' # 单位 unit = '元' # 图表类型 types = 'line' # 组装图表json数据 data_json = { 'data1': address.tolist(), 'data2': price.tolist(), 'title': title, 'text': text, 'chartTitle': chart_title, 'chartX': chart_x, 'chartY': chart_y, 'unit': unit, 'type': types } # 将json数据写入文件 with open('../data/chart003.json', 'w', encoding='utf-8') as write_f: # 打开本地文件 json.dump(data_json, write_f, indent=4, ensure_ascii=False) # python对象转换成json对象 def chart004(self): # 柱状图 - 南京各区域二手房平均建筑面积 # 读取清洗后的数据文件 result_df = self.read_clean_result_file() # 从字典对象导入数据 df = pd.DataFrame(result_df) # 根据地址分组并计算平均建筑面积 mean_data = df.groupby(['地址'], as_index=False)['建筑面积'].agg({'建筑面积': 'mean'}).round() # 获取地址列数据 address = mean_data['地址'].unique() # 获取建筑面积列数据 area = mean_data['建筑面积'].unique() arr = [] color_arr = ["#1f77b4","#ff7f0e","#2ca02c","#d62728","#9467bd","#8c564b","#e377c2","#7f7f7f","#bcbd22","#17becf" ] for k, i in enumerate(area): arr.append({'value':i,'itemStyle':{'color':color_arr[k]}}) # 定义表格顶部title title = "各行政区二手房平均建筑面积" # 定义表格顶部说明 text = self.top_text # 定义图表title chart_title = '各区域二手房平均建筑面积' # 定义横坐标 chart_x = '' # 定义纵坐标 chart_y = '建筑面积（㎡）' # 单位 unit = '' # 图表类型 types = 'bar' # 组装图表json数据 data_json = { 'data1': address.tolist(), 'data2': arr, 'title': title, 'text': text, 'chartTitle': chart_title, 'chartX': chart_x, 'chartY': chart_y, 'unit': unit, 'type': types } # 将json数据写入文件 with open('../data/chart004.json', 'w', encoding='utf-8') as write_f: # 打开本地文件 json.dump(data_json, write_f, indent=4, ensure_ascii=False) # python对象转换成json对象 def chart005(self): # 柱状图 - 南京各区域二手房房源朝向 # 读取清洗后的数据文件 result_df = self.read_clean_result_file() # 从字典对象导入数据 df = pd.DataFrame(result_df) # 将数据根据房屋朝向分组 g = df.groupby('房屋朝向') # 统计分组后的数量 df_region = g.count()['小区'] # 获取分组后的房屋朝向分组数据 address = df_region.index.tolist() # 获取分组后的房屋朝向数量 count = df_region.values.tolist() # 定义表格顶部title title = "区域二手房房源朝向分布情况" # 定义表格