一、环境准备与库安装

在开始可视化开发前，需确保Python环境满足要求。推荐使用Python 3.7+版本，通过pip工具安装Pyecharts核心库及其依赖：

pip install pyecharts -i https://pypi.tuna.tsinghua.edu.cn/simple/
# 如需支持Jupyter Notebook实时渲染，可追加安装
pip install jupyterlab pyecharts-jupyter-installer

安装完成后，可通过简单测试验证环境：

from pyecharts.charts import Scatter
print("Pyecharts安装成功，版本号：", Scatter.__version__)

二、基础散点图构建

散点图的核心价值在于展示两个变量间的相关性。以下代码演示如何快速创建标准散点图：

1. 数据准备与初始化

from pyecharts.charts import Scatter
from pyecharts import options as opts
# 示例数据：X轴为温度，Y轴为销售额
data = [
    (25, 120), (26, 135), (27, 148),
    (28, 162), (29, 175), (30, 190)
]
scatter = Scatter()
scatter.add_xaxis([x[0] for x in data])
scatter.add_yaxis("销售额", [y[1] for y in data])

2. 基础配置优化

通过全局选项设置图表标题、坐标轴标签等元素：

scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="温度-销售额关系图"),
    xaxis_opts=opts.AxisOpts(name="温度(℃)"),
    yaxis_opts=opts.AxisOpts(name="销售额(万元)")
)
scatter.render("basic_scatter.html")

三、进阶可视化技巧

1. 多系列散点图

当需要对比多组数据时，可通过add_yaxis方法叠加系列：

# 新增一组对比数据
data2 = [(25, 110), (26, 125), (27, 140), 
         (28, 155), (29, 170), (30, 185)]
scatter = Scatter()
scatter.add_xaxis([x[0] for x in data])
scatter.add_yaxis("系列A", [y[1] for y in data], 
                 symbol_size=12, color="#5793f3")
scatter.add_yaxis("系列B", [y[1] for y in data2],
                 symbol_size=12, color="#d14a61")
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="多系列散点对比"),
    legend_opts=opts.LegendOpts(pos_top="5%")
)

2. 气泡图实现

通过symbol_size参数控制点的大小，实现三维数据可视化：

# 添加第三维度数据（如客户数量）
bubble_data = [
    (25, 120, 50), (26, 135, 65), 
    (27, 148, 80), (28, 162, 95)
]
scatter = Scatter()
scatter.add_xaxis([x[0] for x in bubble_data])
scatter.add_yaxis(
    "气泡图",
    [(x[1], x[2]) for x in bubble_data],  # Y轴数据+气泡大小
    symbol_size=lambda data: data[1]*0.5,  # 动态调整大小
    label_opts=opts.LabelOpts(is_show=False)
)

四、交互功能增强

1. 工具箱配置

添加下载、缩放、数据视图等交互功能：

scatter.set_global_opts(
    toolbox_opts=opts.ToolboxOpts(
        is_show=True,
        feature={
            "saveAsImage": {},
            "dataZoom": {},
            "restore": {}
        }
    )
)

2. 视觉映射组件

通过视觉映射（VisualMap）实现数据值到颜色的自动映射：

from pyecharts.commons.utils import JsCode
scatter = Scatter()
scatter.add_xaxis([x[0] for x in data])
scatter.add_yaxis(
    "带视觉映射",
    [y[1] for y in data],
    symbol_size=12,
    label_opts=opts.LabelOpts(is_show=False)
)
scatter.set_global_opts(
    visualmap_opts=opts.VisualMapOpts(
        is_show=True,
        dimension=1,  # 映射Y轴数据
        min_=100,
        max_=200,
        range_color=["#50a3ba", "#eac736", "#d94e5d"]
    )
)

五、性能优化建议

大数据量处理：当数据点超过1000个时，建议：
- 启用数据抽样（is_sampled=True）
- 关闭标签显示（label_opts=opts.LabelOpts(is_show=False)）
- 使用WebGL渲染（需安装pyecharts-snapshot）
动态图表：结合Timeline组件实现时间序列动画：
```python
from pyecharts.charts import Timeline

tl = Timeline()
for year in range(2020, 2023):

# 模拟年度数据
year_data = [(x+year*0.1, y*0.9**year) for x,y in data]
scatter = Scatter()
scatter.add_xaxis([x[0] for x in year_data])
scatter.add_yaxis(f"{year}年数据", [y[1] for y in year_data])
tl.add(scatter, f"{year}年")

tl.render(“timeline_scatter.html”)


### 六、部署与集成
生成的HTML文件可直接嵌入Web应用，或通过以下方式集成：
1. **Flask集成示例**：
```python
from flask import Flask, render_template
app = Flask(__name__)
@app.route("/")
def index():
    # 预先生成图表HTML
    return render_template("scatter_dashboard.html")
if __name__ == "__main__":
    app.run()

Jupyter Notebook支持：
```python
from pyecharts.render import make_snapshot
from snapshot_selenium import snapshot

在Notebook中直接显示

scatter.load_javascript()
scatter.render_notebook()
```

通过系统掌握上述技术点，开发者能够创建出既专业又具备交互性的散点图，有效提升数据可视化效果。实际开发中，建议结合具体业务场景调整参数配置，并定期测试不同浏览器下的渲染兼容性。

使用Pyecharts绘制专业级Scatter散点图全攻略