BI报表项目:Echarts专题分析报表

项目背景：
公司不定期召开专题会议，就公司关键业务的运营指标进行分析讨论，以便及时发现问题并制定解决方案。

数据来源：
由相关销售部门提交的各直营店、授权专卖店销售数据，清洗后存入MySQL数据库。截取2015年-2018年的订单记录。
点击下面图片可显示高清原图：
在这里插入图片描述

1、各季度销售对比
使用横向柱状图（Bar）展示各年度的销售额，同时按季度堆叠，清晰的展示每年各个季度的销售对比，并且可以任意选择某个季度方便进行逐一对比。
点击下面图片可显示高清原图：
在这里插入图片描述

2、各城市销售额及利润分析
使用地理坐标系图表（Geo）直观的展示各城市销售额，越大的点表示销售额越高，同时加入利润的视觉映射，展示各城市带来的利润额。针对销售额及利润率超过阈值的城市，增加涟漪特效，突出显示当前业务的核心城市。
点击下面图片可显示高清原图：
在这里插入图片描述

3、各品类销售额对比
以月为单位，展现3个产品类别的销售额数据，使用柱状图（Bar）展示，为方便切换年份，加入时间线（Timeline）。也可以任意选择或隐藏每个品类，逐一进行分析。
点击下面图片可显示高清原图：
在这里插入图片描述

4、区域销售走势
自2015年以来，每天的销售走势，按区域做堆积面积图（Line,stack,area），直观的展示各大区销售走势。可以通过区域缩放控件（DataZoom）方便的选择某个时间段，也可以通过图例控件选择或隐藏某个大区。
点击下面图片可显示高清原图：
在这里插入图片描述

5、年度区域销售占比
直观的展示各年度各区域的销售额占比，可以选择或隐藏某个区域，逐一对比。
点击下面图片可显示高清原图：
在这里插入图片描述

附：Echarts代码

引入模块：

import numpy as np
import pandas as pd
import pymysql
import pyecharts
from pyecharts.charts import Bar,BMap,Line,Pie,Timeline,Map,Geo,Graph
from pyecharts import options as opts
from pyecharts.globals import ThemeType,GeoType

1、各季度销售对比

横向堆叠柱状图：

bar_smt2 = Bar(init_opts=opts.InitOpts(width="800px",height="260px",theme=ThemeType.DARK))
bar_smt2.add_xaxis(x_year)
bar_smt2.add_yaxis("第1季度",y_Q1,stack=True)
bar_smt2.add_yaxis("第2季度",y_Q2,stack=True)
bar_smt2.add_yaxis("第3季度",y_Q2,stack=True)
bar_smt2.add_yaxis("第4季度",y_Q4,stack=True)
bar_smt2.reversal_axis()
bar_smt2.set_global_opts(legend_opts=opts.LegendOpts(pos_top="10px"),
                         title_opts=opts.TitleOpts(title="季度销售对比",pos_top="10px",pos_left="30px"))
bar_smt2.set_series_opts(label_opts=opts.LabelOpts(position="inside"))
bar_smt2.render_notebook()

2、各城市销售额及利润分析

地理坐标系：

geo1 = Geo(init_opts=opts.InitOpts(width="800px",height="500px",theme=ThemeType.DARK))
geo1.add_schema(maptype="china",is_roam=False)
for i in range(len(l_cs)):
    if l_cp_p[i][1]>10 and l_cs[i][1]>200000:   # 利润率超过10%并且销售额超过20万的地区使用涟漪散点
        geo1.add("",[l_cp[i]],type_="effectScatter",symbol_size=l_cs_size[i],color="red")
    else:
        geo1.add("",[l_cp[i]],type_="scatter",symbol_size=l_cs_size[i],color="red")

geo1.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
geo1.set_global_opts(visualmap_opts=opts.VisualMapOpts(min_=-1000,max_=45000,orient="horizontal",pos_bottom="80px",pos_left="80px"),
                    title_opts=opts.TitleOpts(title="各城市销售额及利润分析",subtitle="大小表示销售额，颜色表示利润",pos_left="280px",pos_top="35px"))
geo1.render_notebook()

3、各品类销售额对比

柱状图、时间线：

tl = Timeline(init_opts=opts.InitOpts(width="900px",height="450px",theme=ThemeType.DARK))
tl.add_schema(is_auto_play=True)
x = ["1月","2月","3月","4月","5月","6月","7月","8月","9月","10月","11月","12月"]
for i in range(2015,2019):
    data_i = data2[data2["年"]==str(i)]
    bar_2 = (
        Bar()
        .add_xaxis(x)
        .add_yaxis("家具产品",data_i[data_i["产品类别"]=="家具产品"]["销售额"].tolist())
        .add_yaxis("技术产品",data_i[data_i["产品类别"]=="技术产品"]["销售额"].tolist())
        .add_yaxis("办公用品",data_i[data_i["产品类别"]=="办公用品"]["销售额"].tolist())
    )
    bar_2.set_global_opts(title_opts=opts.TitleOpts(title="各品类销售额对比",pos_top="10px",pos_left="100px"),
                          legend_opts=opts.LegendOpts(pos_top="13px"))
    tl.add(bar_2,"{}年".format(i))
tl.render_notebook()

4、区域销售走势

堆叠面积图、数据缩放控件：

line4 = Line(init_opts=opts.InitOpts(width="800px",height="500px",theme=ThemeType.DARK))
line4.add_xaxis(x4_date)
line4.add_yaxis("华南",y4_hn,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.add_yaxis("华北",y4_hb,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.add_yaxis("华东",y4_hd,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.add_yaxis("东北",y4_db,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.add_yaxis("西北",y4_xb,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.add_yaxis("西南",y4_xn,stack=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.9),is_smooth=True)
line4.set_global_opts(datazoom_opts=opts.DataZoomOpts(is_show=True,type_="slider",range_start=80,range_end=80.8),
                      title_opts=opts.TitleOpts(title="区域销售走势",pos_left="130px",pos_top="5px"),
                      legend_opts=opts.LegendOpts(pos_top="13px",pos_left="350px"))
line4.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
line4.render_notebook()

5、年度区域销售占比

饼图、环形南丁格尔图、：

pie5 = Pie(init_opts=opts.InitOpts(width="800px",height="800px",theme=ThemeType.DARK))
pie5.add("2015年",l5_2015,rosetype="radius",radius=["12%","30%"],center=["25%","300px"])
pie5.add("2016年",l5_2016,rosetype="radius",radius=["12%","30%"],center=["75%","300px"])
pie5.add("2017年",l5_2017,rosetype="radius",radius=["12%","30%"],center=["25%","590px"])
pie5.add("2018年",l5_2018,rosetype="radius",radius=["12%","30%"],center=["75%","590px"])
pie5.set_global_opts(legend_opts=opts.LegendOpts(pos_top="90px"),
                     title_opts=opts.TitleOpts(title="   年度区域销售占比",subtitle="2015年/2016年/2017年/2018年",pos_top="20px",pos_left="300px"))
pie5.set_series_opts(label_opts=opts.LabelOpts(color="write",formatter="{d}%",position="top"))
pie5.add("",[["",1]],radius=["0%","0%"],center=["25%","300px"],label_opts=opts.LabelOpts(position="inside",formatter="2015",font_size=20),
         tooltip_opts=opts.TooltipOpts(is_show=False,trigger="none"))
pie5.add("",[["",1]],radius=["0%","0%"],center=["75%","300px"],label_opts=opts.LabelOpts(position="inside",formatter="2016",font_size=20),
         tooltip_opts=opts.TooltipOpts(is_show=False,trigger="none"))
pie5.add("",[["",1]],radius=["0%","0%"],center=["25%","590px"],label_opts=opts.LabelOpts(position="inside",formatter="2017",font_size=20),
         tooltip_opts=opts.TooltipOpts(is_show=False,trigger="none"))
pie5.add("",[["",1]],radius=["0%","0%"],center=["75%","590px"],label_opts=opts.LabelOpts(position="inside",formatter="2018",font_size=20),
         tooltip_opts=opts.TooltipOpts(is_show=False,trigger="none"))
pie5.render_notebook()

秒客网

BI报表项目:Echarts专题分析报表