网站导航
> 技术文档 > pyecharts二手房数据可视化分析（含3D图）

pyecharts二手房数据可视化分析（含3D图）

网友: 技术文档 2025-07-30 12:32:50

目录

引言

数据读取和处理

预处理

二手房数量/均价柱状图

柱状图代码

效果展示

二手房数量热力2D地图

代码展示

效果展示

二手房数量分布3D地图

代码展示

效果展示

方位-城市房价分布3D柱状图

代码展示

效果展示

户型对比雷达图

代码展示

效果展示

户型数量对比饼图

代码展示

效果展示

建造年份-均价折线图

代码展示

效果展示

标题关键词词云图

代码展示

效果展示

总结

引言

本文用到的是之前在安居客采集到的广西二手房数据，现在我来简单分析一下

可视化大屏：https://blog.csdn.net/weijiayi040512/article/details/149233738?spm=1001.2014.3001.5502

爬虫博客：基于Python的安居客二手房数据爬虫开发实践-CSDN博客

主要涉及的python库有：

pandas：一个开源的Python数据分析库，提供了高效、灵活的数据结构，特别适合处理结构化数据。它的核心是两种数据结构：Series（一维数组，带标签）和DataFrame（二维表格，类似Excel或SQL表）。其中的groupby()函数是我接下来主要用的

PyMySQL： 是一个纯 Python 实现的 MySQL 客户端库，用于 Python 程序与 MySQL 数据库的交互。它是 MySQLdb 的替代品，兼容 Python 3.x，并且不需要编译任何 C 扩展。

PyEcharts ：一个基于 ECharts 的 Python 数据可视化库，允许开发者使用 Python 生成 ECharts 的各种交互式图表。它提供了简洁的 API，能够轻松创建美观的、可交互的网页图表。

jieba（结巴分词）：一个强大的中文分词工具，广泛应用于自然语言处理（NLP）、文本分析和搜索引擎等地方。它支持精确模式、全模式和搜索引擎模式三种分词方式，并提供了关键词提取、词性标注等功能。

数据读取和处理

首先，对MySQL数据库添加新列\"城市\"，其实在采集数据的时候可以做这步，但是我忘了！！！为什么不读取了再添加新列，数据在之后还有用！！

import pymysqldef column_exists(conn, table, column): with conn.cursor() as cursor: cursor.execute(f\"\"\" SELECT COUNT(*) FROM information_schema.COLUMNS WHERE TABLE_SCHEMA = DATABASE() AND TABLE_NAME = \'{table}\' AND COLUMN_NAME = \'{column}\' \"\"\") return cursor.fetchone()[0] > 0# 连接数据库conn = pymysql.connect( host=\'localhost\', user=\'root\', password=\'123456\', database=\'ershoufang\')try: # 检查并添加列 if not column_exists(conn, \'ershoufang_list\', \'城市\'): with conn.cursor() as cursor: cursor.execute(\"\"\" ALTER TABLE ershoufang_list  ADD COLUMN 城市 VARCHAR(20) DEFAULT NULL \"\"\") conn.commit() # 定义城市分配范围 city_updates = [ (\"UPDATE ershoufang_list SET 城市 = \'南宁\' WHERE id BETWEEN 1 AND 10653\"), (\"UPDATE ershoufang_list SET 城市 = \'柳州\' WHERE id BETWEEN 10654 AND 20552\"), (\"UPDATE ershoufang_list SET 城市 = \'桂林\' WHERE id BETWEEN 20553 AND 30037\"), (\"UPDATE ershoufang_list SET 城市 = \'梧州\' WHERE id BETWEEN 30038 AND 36026\"), (\"UPDATE ershoufang_list SET 城市 = \'北海\' WHERE id BETWEEN 36027 AND 44048\"), (\"UPDATE ershoufang_list SET 城市 = \'防城港\' WHERE id BETWEEN 44049 AND 49150\"), (\"UPDATE ershoufang_list SET 城市 = \'钦州\' WHERE id BETWEEN 49151 AND 54780\"), (\"UPDATE ershoufang_list SET 城市 = \'贵港\' WHERE id BETWEEN 54781 AND 63839\"), (\"UPDATE ershoufang_list SET 城市 = \'榆林\' WHERE id BETWEEN 63840 AND 71179\"), (\"UPDATE ershoufang_list SET 城市 = \'百色\' WHERE id BETWEEN 71180 AND 74809\"), (\"UPDATE ershoufang_list SET 城市 = \'贺州\' WHERE id BETWEEN 74810 AND 77409\"), (\"UPDATE ershoufang_list SET 城市 = \'河池\' WHERE id BETWEEN 77410 AND 79429\"), (\"UPDATE ershoufang_list SET 城市 = \'来宾\' WHERE id BETWEEN 79430 AND 81873\"), (\"UPDATE ershoufang_list SET 城市 = \'崇左\' WHERE id BETWEEN 81874 AND 82644\"), (\"UPDATE ershoufang_list SET 城市 = \'玉林\' WHERE id BETWEEN 82645 AND 83124\")] # 执行所有更新 with conn.cursor() as cursor: for update in city_updates: cursor.execute(update) conn.commit() print(\"城市列添加和分配完成\")finally: conn.close()

导出为csv文件

import pandas as pdimport pymysql# 数据库连接配置config = { \'host\': \'localhost\', \'user\': \'root\', \'password\': \'123456\', \'database\': \'ershoufang\', \'charset\': \'utf8mb4\' # 确保使用UTF-8编码连接}# 连接数据库conn = pymysql.connect(**config)# 读取数据df = pd.read_sql(\'SELECT * FROM ershoufang_list\', conn)# 导出为CSV，确保UTF-8编码csv_file = \'E:/ershoufang_data.csv\'df.to_csv(csv_file, index=False, encoding=\'utf_8_sig\') # utf_8_sig可解决Excel打开乱码问题conn.close()print(f\"数据已成功导出到 {csv_file}\")

读取取csv文件，查看关键信息

df = pd.read_csv(\'E:/ershoufang_data.csv\') df.info()

由上图知，数据有13列·，楼层和时间（建造时间）有缺失值，面积和总价和均价要转为数值类型

预处理

删除缺失的行

df.dropna(inplace=True)df.reset_index(drop=True, inplace=True)

提取均价的数值

def extract_price(price_str): match = re.search(r\'(\\d+)\', price_str) if match: return float(match.group(1)) return Nonedf[\'均价\'] = df[\'均价\'].apply(extract_price)

extract_price函数：它就像个\"数字探测器\"，在一堆文字里找第一个出现的完整数字，df[\'均价\'].apply(extract_price) 就是让表格里\"均价\"这一列每个格子都过一遍这个数字探测器，面积和总价的方法一样，我就不展示了

二手房数量/均价柱状图

city_counts = df[\'城市\'].value_counts().reset_index()city_counts.columns = [\'city\',\'total\']

这段代码是用来统计 DataFrame 里各个城市出现的次数，然后整理成干净的统计表格。我解释下：

  1. df[\'城市\'].value_counts()

    • 就像你有一堆订单数据，每个订单写了城市名

    • 这行代码就是帮你数一数：北京有多少个、上海有多少个...自动从多到少排好序

  2. .reset_index()

    • 默认统计结果是个\"孤单的数字列表\"，这步给它加上序号（相当于加个表头）

    • 比如原来只有 [100, 80, 50]，现在变成两列：城市名和对应的数量

  3. 改列名

    • 默认列名太丑（可能是index和城市）

    • columns = [\'city\',\'total\'] 就是给两列起个清爽的新名字：

      • 第一列叫 \'city\'（城市名）

      • 第二列叫 \'total\'（该城市出现的总次数）

柱状图代码

from pyecharts import options as optsfrom pyecharts.charts import Barimport pandas as pd# 创建柱形图bar = ( Bar(init_opts=opts.InitOpts(width=\"1000px\", height=\"500px\")) .add_xaxis(city_counts[\'city\'].tolist()) # X轴：城市名称 .add_yaxis( series_name=\"房源数量\", y_axis=city_counts[\'total\'].tolist(), # Y轴：数量 label_opts=opts.LabelOpts(is_show=True), # 显示柱顶数值 itemstyle_opts=opts.ItemStyleOpts(color=\"#5470C6\") # 柱体颜色 ) .set_global_opts( title_opts=opts.TitleOpts( title=\"各城市房源数量对比\", pos_left=\"center\", pos_top=\"20px\" # 标题位置微调 ), xaxis_opts=opts.AxisOpts( name=\"城市\", axislabel_opts=opts.LabelOpts(rotate=0) # X轴标签不旋转 ), yaxis_opts=opts.AxisOpts( name=\"房源数量（套）\", splitline_opts=opts.SplitLineOpts(is_show=True) # 显示Y轴网格线 ), tooltip_opts=opts.TooltipOpts( trigger=\"axis\", formatter=\"{b}
数量: {c}套\" # 悬停提示格式 ), legend_opts=opts.LegendOpts(is_show=False) # 单系列无需图例 ))# 在Jupyter中显示bar.render_notebook()# 保存为HTML文件# bar.render(\"各城市房源数量对比.html\")

效果展示

由上图可看出：

  • 南宁一枝独秀：柱子明显最高，房源量约12,000套，远超其他城市（可能是省会效应）

  • 柳州/桂林第二梯队：7,000-8,000套左右（广西重要经济/旅游城市）

  • 尾部城市差异小：比如贺州、来宾等，数量在3,000-4,000套区间

这个图添加了横向滚动条（城市多时有用）

datazoom_opts=[opts.DataZoomOpts()]

接下来我们通过2D地图和3D地图看各区域房价在地图上的分布

二手房数量热力2D地图

代码展示

注意：把城市名和对应的房源数量组合成 [[\"南宁市\", 12000], [\"柳州市\", 8500],...] 这样的格式；给城市名后面加\"市\"字是为了匹配地图内置的地名（比如\"南宁\"要写成\"南宁市\"）

from pyecharts import options as optsfrom pyecharts.charts import Mapmap_data = [[city+\"市\", float(total)] for city, total in zip(city_counts[\"city\"], city_counts[\"total\"])]mp = ( Map() .add(\"房源\", map_data, maptype=\"广西\", is_map_symbol_show=False) # 使用广西省地图 .set_global_opts( title_opts=opts.TitleOpts(title=\"广西各城市二手房房源数量分布\"), legend_opts=opts.LegendOpts(is_show=False), visualmap_opts=opts.VisualMapOpts( # 视觉映射配置 min_=0, max_=12000, is_piecewise=False, # 设置颜色映射的最小值和最大值 range_color=[\"#FFFFE0\", \"#FFA500\", \"#FF4500\", \"#BB0000\"], ) ) .set_series_opts(label_opts=opts.LabelOpts(is_show=True)) # 显示城市名称)# 渲染地图到文件mp.render_notebook()

效果展示

这种地图比柱状图更直观，一眼就能看出哪个区域的房源市场更活跃！

二手房数量分布3D地图

代码展示

  • 先定义了广西14个地级市的经纬度坐标（精确到小数点后4位）

  • 把房源数量数据转换成 3D 地图需要的格式：[城市名, [经度, 纬度, 柱高]]

  • 特别处理：将实际数量除以5（避免柱子太高显得突兀）

from pyecharts import options as optsfrom pyecharts.charts import Map3Dfrom pyecharts.globals import ChartTypefrom pyecharts.commons.utils import JsCode# 广西各市经纬度坐标（主要城市）guangxi_coords = { \"南宁市\": [108.479, 23.1152], \"柳州市\": [109.4282, 24.3269], \"桂林市\": [110.3055, 25.2736], \"梧州市\": [111.3055, 23.4856], \"北海市\": [109.1369, 21.4813], \"防城港市\": [108.3636, 21.6869], \"钦州市\": [108.6388, 21.9817], \"贵港市\": [109.6137, 23.1118], \"玉林市\": [110.1647, 22.6366], \"百色市\": [106.6318, 23.9013], \"贺州市\": [111.5526, 24.4116], \"河池市\": [108.0854, 24.6929], \"来宾市\": [109.2318, 23.7418], \"崇左市\": [107.3579, 22.4151]}# 准备3D地图数据map3d_data = []for city, total in zip(city_counts[\"city\"], city_counts[\"total\"]): city_name = city + \"市\" if city_name in guangxi_coords: # 将数据值缩小一定比例 height = total / 5 # 可根据实际情况调整这个系数 map3d_data.append((city_name, [guangxi_coords[city_name][0], guangxi_coords[city_name][1], height]))# 创建3D地图c = ( Map3D() .add_schema( maptype=\"广西\", itemstyle_opts=opts.ItemStyleOpts( color=\"rgb(5,101,123)\", opacity=1, border_width=0.8, border_color=\"rgb(62,215,213)\", ), map3d_label=opts.Map3DLabelOpts( is_show=False, formatter=JsCode(\"function(data){return data.name + \" \" + data.value[2];}\"), ), emphasis_label_opts=opts.LabelOpts( is_show=False, color=\"#fff\", font_size=10, background_color=\"rgba(0,23,11,0)\", ), light_opts=opts.Map3DLightOpts( main_color=\"#fff\", main_intensity=1.2, main_shadow_quality=\"high\", is_main_shadow=False, main_beta=10, ambient_intensity=0.3, ), ) .add( series_name=\"二手房总数/5\", data_pair=map3d_data, type_=ChartType.BAR3D, bar_size=1, shading=\"lambert\", label_opts=opts.LabelOpts( is_show=False, formatter=JsCode(\"function(data){return data.name + \' \' + data.value[2];}\"), ), ) .set_global_opts(title_opts=opts.TitleOpts(title=\"广西二手房数据分布\")) .render(\"map3d_with_bar3d.html\"))

效果展示

这种可视化特别适合演示汇报，比普通平面地图更有冲击力！更高大上！！如果想调整：

  • 修改 /5 这个系数可以控制柱子高度

  • 调整 range_color 可以改变柱子颜色渐变

  • 在 light_opts 里玩转光影效果

方位-城市房价分布3D柱状图

代码展示

  • 先把原始数据按\"方位\"和\"城市\"分组，计算每个组合的平均房价

  • 比如：\"南宁+东\"均价12000，\"桂林+北\"均价8500这样

  • 把方位和城市名称转换成数字索引（因为3D图表需要数字坐标）

import pyecharts.options as optsfrom pyecharts.charts import Bar3Dimport pandas as pd# 按方位和城市分组计算均价均值grouped = df.groupby([\'方位\', \'城市\'])[\'均价\'].mean().round(2).reset_index()# 准备3D条形图数据# 数据格式: [x轴索引, y轴索引, z轴值]data_for_chart = []directions = sorted(grouped[\'方位\'].unique()) # x轴 - 方位cities = sorted(grouped[\'城市\'].unique()) # y轴 - 城市# 创建映射字典direction_to_idx = {d: i for i, d in enumerate(directions)}city_to_idx = {c: i for i, c in enumerate(cities)}# 创建反向映射字典，用于工具提示idx_to_direction = {i: d for d, i in direction_to_idx.items()}idx_to_city = {i: c for c, i in city_to_idx.items()}for _, row in grouped.iterrows(): x_idx = direction_to_idx[row[\'方位\']] y_idx = city_to_idx[row[\'城市\']] data_for_chart.append([x_idx, y_idx, row[\'均价\']])# 创建3D条形图( Bar3D(init_opts=opts.InitOpts(width=\"1200px\", height=\"800px\")) .add( series_name=\"均价(元/㎡)\", data=data_for_chart, xaxis3d_opts=opts.Axis3DOpts( type_=\"category\", data=sorted(grouped[\'方位\'].unique()), # X轴：方位 name=\"方位\", axislabel_opts=opts.LabelOpts(interval=0, rotate=0) # X轴标签不旋转 ), yaxis3d_opts=opts.Axis3DOpts( type_=\"category\", data=sorted(grouped[\'城市\'].unique()), # Y轴：城市 name=\"城市\", axislabel_opts=opts.LabelOpts( interval=0, # 显示所有标签 rotate=45, # 旋转45度避免重叠 font_size=10 # 调整字体大小 ) ), zaxis3d_opts=opts.Axis3DOpts(type_=\"value\", name=\"均价\"), ) .set_global_opts( title_opts=opts.TitleOpts(title=\"各城市不同方位房价分布3D图\"), visualmap_opts=opts.VisualMapOpts( max_=grouped[\'均价\'].max(), min_=grouped[\'均价\'].min(), range_color=[ \"#313695\", \"#4575b4\", \"#74add1\", \"#abd9e9\", \"#e0f3f8\", \"#ffffbf\", \"#fee090\", \"#fdae61\", \"#f46d43\", \"#d73027\", \"#a50026\" ], ), tooltip_opts=opts.TooltipOpts(  ) ) .render(\"方位_城市_房价_3D图.html\"))

效果展示

  • X轴（左右）：表示方位（东/南/西/北）

  • Y轴（前后）：表示城市（南宁/桂林/柳州...）

  • Z轴（上下）：柱子高度表示房价

这gif不清晰，我去原图看，就拿南宁和柳州来说，南宁面朝西，相较于其他方位，价格较低，柳州面朝东北和西北的价格比其他方位高了很多，可能要可能要进一步了解所属区域，才能知道原因了，但是在这篇里我不分析单个城市

户型对比雷达图

代码展示

我之前分析就看出户型有100多种（也不知道怎么来的），所以我把第五行以下的都归为其他户型

huxin_counts = df[\'户型\'].value_counts().reset_index()huxin_counts.columns = [\'huxin\', \'total\']# 复制前5行top_huxin = huxin_counts.head(5).copy()# 计算第6行及以后行的总和other_total = huxin_counts.iloc[5:][\'total\'].sum()# 创建\"其他户型\"行other_row = pd.DataFrame({\'huxin\': [\'其他户型\'], \'total\': [other_total]})# 合并前5行和其他行huxin_counts_modified = pd.concat([top_huxin, other_row], ignore_index=True)# 结果现在有6行：前5个户型+其他户型huxin_counts_modified

from pyecharts import options as optsfrom pyecharts.charts import Radarimport pandas as pd# 准备雷达图数据huxin_list = huxin_counts_modified[\'huxin\'].tolist()total_values = huxin_counts_modified[\'total\'].tolist()# 雷达图坐标系配置schema = [ {\"name\": huxin, \"max\": max(total_values) +2000 } # 设置最大值（加20避免贴边） for huxin in huxin_list]# 创建雷达图radar = ( Radar(init_opts=opts.InitOpts(width=\"800px\", height=\"500px\")) .add_schema(schema=schema) .add( series_name=\"户型数量\", data=[total_values], color=\"#FF6600\", areastyle_opts=opts.AreaStyleOpts(opacity=0.3), # 填充区域透明度 linestyle_opts=opts.LineStyleOpts(width=2), # 线条宽度 ) .set_series_opts(label_opts=opts.LabelOpts(is_show=True)) # 显示数值标签 .set_global_opts( title_opts=opts.TitleOpts(title=\"户型数量对比雷达图\"), legend_opts=opts.LegendOpts(is_show=False) # 单系列无需图例 ))# 生成HTML文件（默认会在当前目录生成 render.html）#radar.render(\"户型雷达图.html\")# 直接在Jupyter Notebook中显示（如果是Jupyter环境）radar.render_notebook()

  • huxin_list：存储所有户型名称（比如 [\"一居\",\"二居\",\"三居\"...]）

  • total_values：对应户型的房源数量（比如 [500, 1200, 800...]）

效果展示

由雷达图可以看出现在主流户型还是3室2厅2卫，4室2厅2卫

户型数量对比饼图

这饼图用的数据和雷达图的一样，就是注意饼图的数据还需要一些处理，还有饼图改一下中心占比就是环形图了

代码展示

data_pie 把户型数据和对应数量打包成列表，格式类似：[(\'一居\', 1500), (\'二居\', 4500), (\'三居\', 3000)...]

from pyecharts import options as optsfrom pyecharts.charts import Pieimport pandas as pddata_pie = list(zip(huxin_counts_modified[\'huxin\'], huxin_counts_modified[\'total\']))# 创建饼图pie = ( Pie(init_opts=opts.InitOpts(width=\"800px\", height=\"600px\")) .add( series_name=\"户型分布\", data_pair=data_pie, radius=[\"0%\", \"70%\"], # 内外半径（控制环形宽度） center=[\"50%\", \"50%\"], # 圆心位置 label_opts=opts.LabelOpts( formatter=\"{b}: {c} ({d}%)\", # 显示格式：户型: 数量 (百分比) font_size=12, color=\"#333\" ), itemstyle_opts=opts.ItemStyleOpts( border_width=1, # 边框宽度 border_color=\"#fff\" # 边框颜色（避免视觉粘连） ) ) .set_global_opts( title_opts=opts.TitleOpts( title=\"户型分布饼图\", subtitle=f\"总计 {huxin_counts_modified[\'total\'].sum()} 套房源\", pos_left=\"center\" ), legend_opts=opts.LegendOpts( orient=\"vertical\", # 图例垂直排列 pos_left=\"left\", item_width=10, # 图例标记宽度 item_height=10 # 图例标记高度 ), tooltip_opts=opts.TooltipOpts( trigger=\"item\", # 悬停触发类型 formatter=\"{a}
{b}: {c} ({d}%)\" # 悬停提示格式 ) ) .set_series_opts( emphasis_opts=opts.EmphasisOpts( # 移除了 scale 参数 label_opts=opts.LabelOpts(font_size=14) ) ))# 在Jupyter中直接显示pie.render_notebook()

效果展示

建造年份-均价折线图

不是很了解房子，采集的数据房子的建造年份竟然还有45年以前的，所以我提取了近十年的来分析一下

代码展示

  • 从原始数据中提取了第35-45年的数据（对应set_time.iloc[34:45]）

  • 按建造年份分组计算了均价平均值

import pandas as pdfrom pyecharts import options as optsfrom pyecharts.charts import Line# 假设 df 是原始数据（示例数据）# 按时间分组计算均价均值set_time = df.groupby([\'时间\'])[\'均价\'].mean().round(2).reset_index()# 提取35-45行数据（注意Python从0开始索引，实际是34-44）data_subset = set_time.iloc[34:45] # 第35行到45行（含）print(data_subset)# 创建折线图line = ( Line(init_opts=opts.InitOpts(width=\"1000px\", height=\"500px\")) .add_xaxis(data_subset[\'时间\'].tolist()) # X轴：建造年份 .add_yaxis( series_name=\"\", y_axis=data_subset[\'均价\'].tolist(), # Y轴：均价 symbol=\"circle\", # 数据点显示为圆点 symbol_size=8, label_opts=opts.LabelOpts(is_show=True), # 显示数值标签 linestyle_opts=opts.LineStyleOpts(width=3), # 线条宽度 itemstyle_opts=opts.ItemStyleOpts(color=\"#FF6600\") # 线条颜色 ) .set_global_opts( title_opts=opts.TitleOpts( title=\"广西二手房建造年份与均价关系\", subtitle=\"数据范围：第35-45年\", pos_left=\"center\", # 标题居中 pos_top=\"10px\" # 标题距离顶部10像素（防止重叠） ), xaxis_opts=opts.AxisOpts( name=\"建造年份\", axislabel_opts=opts.LabelOpts(rotate=45) # X轴标签旋转45度防重叠 ), yaxis_opts=opts.AxisOpts( name=\"均价（元/㎡）\", splitline_opts=opts.SplitLineOpts(is_show=True) # 显示网格线 ), tooltip_opts=opts.TooltipOpts( trigger=\"axis\", # 悬停触发类型 formatter=\"{b}年
均价: {c}元/㎡\" ) ))# 在Jupyter中显示line.render_notebook()# 保存为HTML文件# line.render(\"广西二手房_年份-均价折线图.html\")

  • X轴：建造年份（自动从数据中读取）

    • 年份标签旋转45度，防止挤在一起

  • Y轴：均价（单位：元/㎡）

    • 带灰色网格线，方便查看具体数值

效果展示

不难看出建造年份离本年越近的房子，价格是越高的

标题关键词词云图

代码展示

  • 先用 jieba 把标题拆成词语（比如\"朝阳精装三居\" → [\"朝阳\",\"精装\",\"三居\"]）

  • 过滤掉没意义的词（比如\"的\"、\"是\"这种）

  • 统计每个词出现的次数，取前50名高频词

import pandas as pdimport jiebafrom collections import Counterfrom pyecharts import options as optsfrom pyecharts.charts import WordCloud# 中文分词 + 统计词频def get_top_keywords(texts, top_n=50): words = [] for text in texts: words.extend(jieba.lcut(text)) # 过滤单字和无意义词（可选） stopwords = [\'的\', \'是\', \'和\', \'在\', \'有\'] # 自定义停用词 words_filtered = [ word for word in words if len(word) > 1 and word not in stopwords ] # 返回前top_n个高频词 return Counter(words_filtered).most_common(top_n)# 获取前50个高频词word_freq = get_top_keywords(df[\'标题\'], top_n=50)print(word_freq) # 打印前10个示例输出# 创建词云wordcloud = ( WordCloud() .add( series_name=\"标题关键词\", data_pair=word_freq, word_size_range=[12, 60], # 词语字体大小范围 shape=\"circle\",  # 词云形状（可选：circle, cardioid, diamond, triangle等） mask_image=None, # 自定义形状图片路径（如需特定形状） word_gap=10,  # 词语间距 rotate_step=45,  # 旋转角度间隔 tooltip_opts=opts.TooltipOpts( formatter=\"{b}: {c}\" # 悬停显示格式：关键词: 频率 ) ) .set_global_opts( title_opts=opts.TitleOpts(title=\"标题关键词词云\"), tooltip_opts=opts.TooltipOpts(is_show=True) ))# 在Jupyter中显示wordcloud.render_notebook()# 保存为HTML文件# wordcloud.render(\"标题关键词词云.html\")

效果展示

由词云可以看出精装，电梯，南北，急售，楼层等都是卖点

总结

以上做的分析不是为了卖房，而且都是一些简单的分析，主要是为了之后的可视化大屏和系统，做一点基本图表，想要更多图表可以去看pyecharts的官网，加纳

网络标签：

相关问题