• echarts中 legend 自定义方法和单独定义每个图例的样式和宽高


    单独定义echarts中每个图例的样式,自定义图例的点击方法

    //用不同样式的图例用数组写对应图例的样式
                    legend:[{
                        top: "15%",
                        right: "24%",
                        textStyle: {
                            color: "#3BAEFE",
                            fontSize: 14,
                            fontFamily: "微软雅黑"
                        },
                        itemWidth: 27,
                        itemHeight: 16,
                        data:[{
                            name: "农药",
                            icon: "circle"
                        },{
                            name: "LOL",
                            icon: "rect"
                        }]
                    },{
                        top: "15%",
                        right: "15%",
                        textStyle: {
                            color: "#3BAEFE",
                            fontSize: 14,
                            fontFamily: "微软雅黑"
                        },
                        itemWidth: 33,
                        itemHeight: 16,
                        data:[{
                            name: "农药+LOL",
                            icon: "image:///soyking/static/image/echarts/merge.png"  //引用自定义的图片
                        }]
                    },{
                        top: "15%",
                        right: "15%",
                        textStyle: {
                            color: "#3BAEFE",
                            fontSize: 14,
                            fontFamily: "微软雅黑"
                        },
                        data:[" "," "," ","农药占比","LOL占比"]
                    }],

    结果:

     

    自定义图例的方法 (点击图例,显示图例的选中结果) 

    var bar = echarts.init(document.getElementById("barDiv"));

    //自定义图例的方法
                bar.on("legendselectchanged",function(obj){
                    //获取图例选择的结果
                    var selected = obj.selected;
                    for(var i in selected){
                        alert(selected[i]);
                    }
                });

     

    原文链接:https://blog.csdn.net/weixin_39172079/java/article/details/90413831

  • 相关阅读:
    隐马尔可夫模型 机器学习
    机器学习——EM算法与GMM算法
    机器学习——贝叶斯算法
    SVM算法 机器学习
    机器学习——谱聚类
    机器学习——Canopy算法
    机器学习——密度聚类
    Identity(身份)
    hyperledger fabric 结构模型学习
    fabric v1.1.0部署准备工作
  • 原文地址:https://www.cnblogs.com/tzwbk/p/12699595.html
Copyright © 2020-2023  润新知