pyecharts柱状图 上边界设置

PyEcharts是一个基于ECharts库的Python绘图工具，用于创建各种图表，包括柱状图。在PyEcharts中，你可以设置柱状图的上边界的属性是`yaxis_upper`，它用于指定Y轴的上限。以下是基本的设置示例：

import pyecharts.options as opts
from pyecharts.charts import Bar

# 创建一个柱状图实例
bar = Bar()

# 设置Y轴的上限
upper_bound = 150  # 例如，你想设定最大值为150
bar.y_axis.axis_top().set_upper(upper_bound)

# 添加数据
data = [{'name': 'A', 'value': 80}, {'name': 'B', 'value': 120}]
bar.add('', data, yaxis_index=0, is_random='False')

# 显示图表
bar.render('柱状图上边界设置.html')

在这个例子中，`set_upper()`方法用于设置上边界，`is_random=False`表示不让柱状图的高度随机生成，而是固定在给定的值。

相关问题

python帕累托前沿图

### 绘制帕累托前沿图

为了绘制帕累托前沿图，可以采用 `pyecharts` 或者 `matplotlib` 这两个库来完成。以下是基于这两个库的具体方法。

#### 使用 PyEcharts 库绘制帕累托前沿图

PyEcharts 是一个用于创建交互式图表的强大工具，在处理复杂数据可视化方面表现出色。下面是一个简单的例子展示如何利用此库构建帕累托前沿图：

from pyecharts import options as opts
from pyecharts.charts import Line, Bar
import numpy as np

# 假设的数据集
data_x = ["A", "B", "C", "D", "E"]
data_y1 = [20, 30, 50, 70, 90]
cumulative_percentage = np.cumsum(data_y1)/sum(data_y1)*100

line = (
    Line()
    .add_xaxis(xaxis_data=data_x)
    .add_yaxis(
        series_name="累计百分比",
        y_axis=cumulative_percentage.tolist(),
        label_opts=opts.LabelOpts(is_show=True),
        is_smooth=True,
        markpoint_opts=opts.MarkPointOpts(
            data=[opts.MarkPointItem(type_="max")]
        ),
        linestyle_opts=opts.LineStyleOpts(width=4),
        itemstyle_opts=opts.ItemStyleOpts(color="#FF00F0"),
        tooltip_opts=opts.TooltipOpts(formatter="{c}%")
    )
)

bar = (
    Bar()
    .add_xaxis(xaxis_data=data_x)
    .add_yaxis(series_name="数值", y_axis=data_y1)
)

overlap_chart = bar.overlap(line).set_global_opts(title_opts=opts.TitleOpts(title="帕累托图"))

overlap_chart.render_notebook()  

这段代码首先定义了一个包含类别名称 (`data_x`) 和对应频率/数量 (`data_y1`) 的列表。接着计算累积百分比并将其作为折线图的一部分加入到图形中；柱状图则用来表示原始频数分布情况。最后通过 `.overlap()` 方法将两者叠加在一起形成完整的帕累托图[^1]。

#### 使用 Matplotlib 库绘制帕累托前沿图

对于那些更倾向于使用传统绘图方式的人来说，Matplotlib 提供了一种灵活的方式来制作类似的图表。这里给出一段简单示例说明怎样用它画出帕累托图:

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns


def pareto_frontier(Xs, Ys, maxX=True, maxY=True):
    '''Pareto frontier selection process'''
    sorted_list = sorted([[Xs[i], Ys[i]] for i in range(len(Xs))],
                         reverse=maxY)
    p_front = [sorted_list[0]]
    
    for pair in sorted_list[1:]:
        if maxY:
            if pair[1] >= p_front[-1][1]:
                p_front.append(pair)
        else:
            if pair[1] <= p_front[-1][1]:
                p_front.append(pair)
                
    pf_X = [pair[0] for pair in p_front]
    pf_Y = [pair[1] for pair in p_front]
    return pf_X, pf_Y
    

df = pd.DataFrame({
    'x': [8, 6, 4, 7, 5, 3, 9, 2, 1],
    'y': [2, 4, 6, 8, 10, 12, 14, 16, 18]
})

sns.scatterplot(data=df, x='x', y='y')
plt.plot(*pareto_frontier(df['x'], df['y']), color='r')

plt.title('Pareto Frontier Example with Scatter Plot')
plt.show()

在这个脚本里，函数 `pareto_frontier` 负责找出给定二维空间内的最优解集合——即所谓的“帕累托边界”。之后再调用 Seaborn 来生成散点图，并用红色线条标记出这些最佳选项的位置[^2]。