引用知乎的一段话来展开：
（1）我们利用视觉获取的信息量，远远比别的感官要多的多。
（2）它能够帮助分析的人对数据有更全面的认识。
（3）人类大脑在记忆能力的限制。
2.1 .1先做准备工作，导入自己后续需要用到的库；如果你是一名新手，没有pandas、pyecharts这两个模块；就需要在cmd命令窗口或Anaconda Prompt窗口输入以下命令：
pip install pandas
pip install pyecharts
安装成功之后运行以下代码，就能显示成功。
opts:用于设置图表的各种属性和配置项。opts对象是pyecharts中非常重要的一个概念，可以用于设置图表的样式、数据、标签、坐标轴、背景等各种属性，从而使得图表能够更加地符合用户的需求。
Grid:是一个用于布局多个图表的容器。Grid 可以将多个图表排列在一起，使它们在同一个页面上展示，并具有良好的视觉效果。
pandas：是一个数据处理库，提供了丰富的数据结构和函数，用于处理和分析结构化数据。pandas 可以读取和写入各种数据格式，如 CSV、Excel、SQL 数据库、HTML、JSON 等，并提供了数据清洗、数据转换、数据分组、数据透视、数据聚合等常用操作。
部分代码代码示例：
from pyecharts import options as opts
from pyecharts.charts import Bar, Line,Grid,Tab
import pandas as pd
from pyecharts.faker import Faker
注意： 这里的 ’MPV销量数据.xlsx‘ 文件使用的是相对路径，因此要与当前写的代码文件是在同一路径下，才能获取到数据；当然也可以使用绝对路径来获取表格数据文件，这里我就不做演示了。
data=pd.read_excel('MPV销量数据.xlsx')
data
在画图时，我们需要根据采集时间绘制图形，所以需要按时间筛选后，构造成新的表格。使用tolist() 方法筛选日期后构造并进行测试。如图所示。
将时间对象转换成字符串，并提取片段：
# x轴数据
x = data['采集时间'].agg(lambda x:str(x)[5:10]).tolist()
x
提取“销量”转换成字符串，作为我们的数据展示：
data1=data['销量'].tolist()
data1
# 构造增长率数据
rate_of_rise = []
for i in range(len(data1)):
if i==0:
rate_of_rise.append(0)
else:
rate = data1[i]/data1[i-1]-1 # 计算增长率
rate_of_rise.append((round(rate,3))) # 保留小数点后3位，添加到列表中
rate_of_rise
我们所需要的数据都整理好后，就可以开始制作对比图表，使之更清晰明了的呈现在我们面前。
5.1编写可视化函数
部分代码示例：
bar = (
Bar()
.add_xaxis(x)
.add_yaxis("销量", data1)
.extend_axis( # 添加副坐标轴
yaxis=opts.AxisOpts(name='增长率',min_=-3) # 配置副坐标轴
)
.set_global_opts(
title_opts=opts.TitleOpts(title="数据增长率柱形、折线复合图"),
yaxis_opts=opts.AxisOpts( # 配置主坐标轴
name='数值',
max_=33333
),
)
)
line = (
Line()
.add_xaxis(x)
.add_yaxis("增长率",
rate_of_rise,
is_smooth = True,
yaxis_index=1,
linestyle_opts = opts.LineStyleOpts(color='pink',
width=3,
type_ = 'dashed'
),
)
.set_series_opts(
markline_opts=opts.MarkLineOpts( # 标记副y轴0刻度线，突出增长率的正负属性
data=[
{"yAxis": 0},
],
label_opts=opts.LabelOpts(is_show=True),
linestyle_opts = opts.LineStyleOpts(color='pink',
width=3,
type_ = 'dotted',
),
)
)
)
bar.overlap(line) # 调用overlap组件（方法）实现层叠
bar.render_notebook()
代码示例
#导入库
from pyecharts import options as opts
from pyecharts.charts import Bar, Line,Grid,Tab
import pandas as pd
from pyecharts.faker import Faker
#导入数据
data=pd.read_excel('MPV销量数据.xlsx')
data
#提取数据
# x轴数据
x = data['采集时间'].agg(lambda x:str(x)[5:10]).tolist()
data1=data['销量'].tolist()
# 构造增长率数据
rate_of_rise = []
for i in range(len(data1)):
if i==0:
rate_of_rise.append(0)
else:
rate = data1[i]/data1[i-1]-1 # 计算增长率
rate_of_rise.append((round(rate,3))) # 保留小数点后3位，添加到列表中
rate_of_rise
#overlap组件图形展示
bar = (
Bar()
.add_xaxis(x)
.add_yaxis("销量", data1)
.extend_axis( # 添加副坐标轴
yaxis=opts.AxisOpts(name='增长率',min_=-3) # 配置副坐标轴
)
.set_global_opts(
title_opts=opts.TitleOpts(title="数据增长率柱形、折线复合图"),
yaxis_opts=opts.AxisOpts( # 配置主坐标轴
name='数值',
max_=33333
),
)
)
line = (
Line()
.add_xaxis(x)
.add_yaxis("增长率",
rate_of_rise,
is_smooth = True,
yaxis_index=1,
linestyle_opts = opts.LineStyleOpts(color='pink',
width=3,
type_ = 'dashed'
),
)
.set_series_opts(
markline_opts=opts.MarkLineOpts( # 标记副y轴0刻度线，突出增长率的正负属性
data=[
{"yAxis": 0},
],
label_opts=opts.LabelOpts(is_show=True),
linestyle_opts = opts.LineStyleOpts(color='pink',
width=3,
type_ = 'dotted',
),
)
)
)
bar.overlap(line) # 调用overlap组件（方法）实现层叠
bar.render_notebook()
全局配置项：
都是一些大体上的配置，比如图标的大小，工具栏显示等等。
全部写在这里set_global_opts类里面，参数一般是x_opts = opts.XOpts()：
系列配置项：
这个配置项主要是针对文字样式、图标样式这些小一点的细节的改变
这些类方法需要写在这里set_series_opts()方法里；
具体教程参考：官网
组合组件（Grid）是 Pyecharts 中非常实用的组件，它可以帮助我们更好地展示多个图表的组合。通过上述示例代码，我们可以快速上手使用overlap，并实现各种不同的数据可视化效果。
以上就是我本人对pyecharts及overlap组件的理解和使用；如有更好的想法和思路，可私信我一起探讨！
数据爬取下来后，我们一定希望把它展示出来，本学期系统学习了pyecharts，pyecharts 是一个用于生成 Echarts 图表的类库；能使繁杂的数据变成图表美观、直观的呈现在我们面前。
还有更多类型的图形，这里就不作过多的展示了。感兴趣的小伙伴们可以自己找官网浅学一下，话不多说，快快行动起来吧！
