目录
flask + Pandas + echarts 使用饼状图等将二手房数据进行分析+可视化
'''
Description: 分页读取并显示 csv 文件数据
'''
from math import ceil
import csv
import json
from flask import Flask, render_template, request, redirect, jsonify
from spiders.file_manager import FileManager
# 初始化框架
web = Flask(__name__)
@web.route('/')
def index():
# 首页
return redirect('/list')
@web.route('/table/<int:page_num>')
def table(page_num):
# 分页读取并显示 csv 文件数据
file_manager = FileManager()
file = file_manager.get_data_file_path("tao365_detail.csv")
# 若不指定limits默认为 5
limits = request.args.get('limits', 5, type=int)
def show_csv(reader, page=page_num, limits=limits):
# 内部函数，根据limits和所在页数生成数据
df = []
for row in reader:
if page_num * limits >= (reader.line_num - 1) > (page_num - 1) * limits:
df.append(row)
return df
with open(file, 'r+', encoding='utf-8') as f:
# 计算页面数
row_length = len(f.readlines()) - 1
pages = int(ceil(row_length / limits))
with open(file, 'r+', encoding='utf-8') as f:
# 计算数据
reader = csv.reader(f)
next(reader)
df = show_csv(reader, page_num, limits)
# 加载模版和模版数据
return render_template('table.html', df=df, pages=pages, page_num=page_num, limits=limits)
@web.route('/table_detail')
def table_detail():
# 二手房详情
row = request.args.get('row').split(',')
return render_template('table_detail.html', row=row)
@web.route('/list')
def list_house():
# 二手房列表
return render_template('list.html')
@web.route('/chart1')
def chart1():
# 柱状图
return render_template('chart1.html')
@web.route('/chart2')
def chart2():
# 横向柱状图
return render_template('chart2.html')
@web.route('/chartBie')
def chartBie():
# 饼图
return render_template('chartBie.html')
@web.route('/chart_data')
def chart_data():
# 获取图标数据
# 图标类型
type = request.args.get("type")
# 二手房数据
file_name = 'chart00' + type+'.json'
file_manager = FileManager()
file = file_manager.get_data_file_path(file_name)
# file = os.path.join(config.DATA_DIR,'chart00'+ type+'.json' )
with open(file, encoding='utf8') as fp:
data_list = json.load(fp)
return jsonify(data_list)
# 启动 flask web 框架
web.run(debug=True)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 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"
# 定义表格顶部说明
text = self.top_text
# 定义图表说明
chart_title = '各区域二手房房源朝向分布情况'
# 定义图表横坐标
chart_x = ''
# 定义图表纵坐标
chart_y = '建筑面积（㎡）'
# 定义单位
unit = ''
# 定义图表类型
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/chart005.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 chart008(self):
# 横向柱状图 - 各面积区间房屋数量占比图
# 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)
# 取出每平方价格列前10的数据
top_price = df.sort_values(by="每平方价格", ascending=False)[:10]
# 取出每平方价格列前10的小区数据
area0 = top_price['小区'].values.tolist()
# 取出每平方价格列前10的价格数据
count = top_price['每平方价格'].values.tolist()
arr = []
color_arr = ["#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd", "#8c564b", "#e377c2", "#7f7f7f", "#bcbd22",
"#17becf"
]
for k, i in enumerate(count):
arr.append({'value': i, 'itemStyle': {'color': color_arr[k]}})
# 定义表格顶部title
title = "二手房单价最高Top10"
# 定义表格顶部说明
text = self.top_text
# 图表title
chart_title = '二手房单价最高Top10'
# 组装图表json数据
data_json = {
'data1': area0,
'data2': arr,
'title': title,
'text': text,
'chartTitle': chart_title,
}
# 将json数据写入文件
with open('../data/chart008.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function drawCharts(data) {
var optionMap = {
title: {
text: data.chartTitle,
left: 'center',
},
tooltip: {
trigger: 'axis',
axisPointer: {
type: 'shadow'
},
},
toolbox: {
feature: {
saveAsImage: {
title: ''
}
}
},
grid: {
left: '3%',
right: '4%',
bottom: '3%',
containLabel: true
},
xAxis: {
type: 'value',
boundaryGap: [0, 0.01]
},
yAxis: {
type: 'category',
data: data.data1
},
series: [{
type: 'bar',
data: data.data2
}, ]
};
//初始化echarts实例
var myChart = echarts.init(document.getElementById('dom1'));
//使用制定的配置项和数据显示图表
myChart.setOption(optionMap);
}* Serving Flask app 'app_tao06'
* Debug mode: on
* Running on http://127.0.0.1:5000
浏览器中打开 http://127.0.0.1:5000
各区域房源朝向分布情况
各区域房屋数量统计
二手房户型占比统计
二手房单价最高Top10
源码链接
源码-flask+Pandas+echarts使用饼状图等将二手房数据进行分析+可视化-Python文档类资源-CSDN下载
菜鸟实战，持续学习！