时间趋势类可视化图像总结

1、地平线图

特点：

• 数据展示：可以在有限的空间内展示多个时间序列数据，每个序列通常用不同的颜色或线条样式表示。
• 时间趋势：能够清晰地展示每个时间序列随时间的变化趋势，包括上升、下降、波动等。
• 对比分析：方便对多个时间序列进行对比，观察它们之间的差异和相似之处。
• 紧凑布局：适用于数据量较大的情况，通过紧凑的布局展示多个序列，节省空间。

应用场景：

• 适用于多时间序列数据的趋势对比分析，如经济指标波动、金融资产价格变化、环境参数监测、患者生理指标跟踪等，帮助快速识别模式、相关性和异常变化。

使用python的实现过程及结果：

import numpy as np
import matplotlib.pyplot as plt

# 设置中文字体支持
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

def create_horizon_chart(data, titles=None, bands=3, height_ratio=0.3):
    """
    创建地平线图

    参数:
    data: 二维数组，每行代表一个时间序列
    titles: 每个时间序列的标题列表
    bands: 分割的色带数量
    height_ratio: 每个色带的高度比例
    """
    n_series, n_points = data.shape
    fig, axes = plt.subplots(n_series, 1, figsize=(12, 2 * n_series), sharex=True)

    if n_series == 1:
        axes = [axes]

    # 计算每个色带的阈值
    max_val = np.max(data)
    band_height = max_val / bands

    # 定义色带颜色（从浅到深）
    colors = [
        (0.9, 0.9, 1.0),  # 浅蓝
        (0.6, 0.6, 0.9),  # 中蓝
        (0.3, 0.3, 0.8),  # 深蓝
        (1.0, 0.9, 0.9),  # 浅红
        (0.9, 0.6, 0.6),  # 中红
        (0.8, 0.3, 0.3),  # 深红
    ]

    for i, series in enumerate(data):
        ax = axes[i]
        ax.set_frame_on(False)
        ax.axes.get_yaxis().set_visible(False)

        # 添加标题
        if titles and i < len(titles):
            ax.set_title(titles[i], loc='left', pad=10)

        # 绘制每个色带
        for b in range(bands):
            # 上半部分（正值）
            upper_band = np.clip(series - b * band_height, 0, band_height)
            ax.fill_between(
                range(n_points),
                b * height_ratio,
                b * height_ratio + upper_band * height_ratio / band_height,
                color=colors[b],
                alpha=0.8
            )

            # 下半部分（负值）
            lower_band = np.clip(-series - b * band_height, 0, band_height)
            ax.fill_between(
                range(n_points),
                -b * height_ratio,
                -b * height_ratio - lower_band * height_ratio / band_height,
                color=colors[b + bands],
                alpha=0.8
            )

        # 设置y轴范围
        ax.set_ylim(-bands * height_ratio, bands * height_ratio)

    # 添加x轴标签（仅底部）
    axes[-1].set_xlabel('时间')

    plt.tight_layout()
    return fig

# 生成示例数据
np.random.seed(42)
n_points = 50  # 时间点数量
n_series = 4  # 序列数量

# 创建具有不同趋势的时间序列
x = np.linspace(0, 10, n_points)
data = np.zeros((n_series, n_points))

data[0] = np.sin(x) * 3 + np.random.normal(0, 0.5, n_points)  # 正弦波
data[1] = np.cos(x) * 2 + np.random.normal(0, 0.5, n_points)  # 余弦波
data[2] = np.linspace(0, 5, n_points) + np.random.normal(0, 0.5, n_points)  # 上升趋势
data[3] = np.linspace(5, 0, n_points) + np.random.normal(0, 0.5, n_points)  # 下降趋势

# 示例标题
titles = ["产品A销量趋势", "产品B销量趋势", "客户满意度指数", "市场份额变化"]

# 创建地平线图
fig = create_horizon_chart(data, titles)
plt.show()

2、河流图

特点：

• 河流图是一种特殊的堆叠面积图，围绕中心轴线布局 。其形状类似河流，“河流” 宽度与数据大小成正比，以颜色区分不同类别 。平行流动轴多为时间序列，可展示不同类别数据随时间的变化，能直观呈现各部分占比及动态演变，兼具艺术性与直观性 。

应用场景：

• 河流图广泛应用于多领域数据随时间的动态展示。在经济金融领域，用于呈现各行业产值、金融资产规模等的占比及变化，助于洞察经济结构演变；人口统计方面，可展现不同年龄、地区人口数量及迁移趋势，为政策制定提供依据；市场分析中，能直观呈现品牌市场份额、产品销量变动，辅助企业战略决策；学术研究里，可展示多变量动态关系，助力挖掘数据内在规律。

使用python的实现过程及结果：

import plotly.graph_objects as go
import pandas as pd

# 构造示例数据
data = {
    'time': ['2020', '2021', '2022', '2023', '2024'],
    'category1': [10, 15, 20, 22, 25],
    'category2': [5, 8, 12, 15, 18],
    'category3': [3, 6, 9, 11, 13]
}
df = pd.DataFrame(data)

fig = go.Figure()

# 计算累积值用于堆叠
cumulative = pd.DataFrame(0, index=df.index, columns=df.columns)

for i, category in enumerate(df.columns[1:]):
    # 计算当前类别在河流图中的上下边界
    if i == 0:
        lower_bound = pd.Series(0, index=df.index)
    else:
        lower_bound = cumulative.iloc[:, i]

    upper_bound = lower_bound + df[category]

    # 更新累积值
    cumulative[category] = upper_bound

    # 使用Scatter绘制河流图区域
    fig.add_trace(go.Scatter(
        x=df['time'],
        y=upper_bound,
        fill='tonexty',  # 填充到上一个轨迹
        mode='lines',
        line=dict(width=0),
        name=category
    ))

    # 添加连接线（仅用于美观）
    fig.add_trace(go.Scatter(
        x=df['time'],
        y=lower_bound,
        mode='lines',
        line=dict(width=0, color='rgba(0,0,0,0)'),
        showlegend=False
    ))

# 调整布局
fig.update_layout(
    title='河流图示例',
    xaxis_title='时间',
    yaxis_title='数值',
    showlegend=True,
    hovermode='x unified',
    plot_bgcolor='white',
    margin=dict(l=60, r=60, t=60, b=60)
)

fig.show()

3、瀑布图

特点：

• 瀑布图（Waterfall Chart）通过浮动柱子展示数据的起始值、增减变化及最终结果，通常以蓝色表示增加、红色表示减少，灰色表示初始或最终值。其核心特点是能够清晰展示数值的逐步变化过程及其累积效应，适用于展示数据的构成和演变路径，帮助用户理解各因素对整体变化的贡献。

应用场景：

• 瀑布图常用于展示财务损益、销售分析、预算变化、人口增长分解等场景，能直观呈现从起点到终点的数值变化过程及关键驱动因素。例如：财务报表中展示收入、成本、费用等项目对利润的影响；销售分析中呈现各渠道、产品或地区对总销售额的贡献；项目管理中展示预算的初始值、各项调整及最终预算；人口统计中分解出生、死亡、迁移等因素对总人口变化的影响。

使用python的实现过程及结果：

import plotly.graph_objects as go

# 示例数据 - 财务损益分析
fig = go.Figure(go.Waterfall(
    name="2023年损益",
    orientation="v",
    measure=["absolute", "relative", "relative", "relative", "total"],
    x=["初始收入", "产品销售增长", "服务收入", "运营成本", "净利润"],
    textposition="outside",
    text=["¥10,000", "+¥2,500", "+¥1,500", "-¥3,000", "¥11,000"],
    y=[10000, 2500, 1500, -3000, 0],  # 最后一个值为0，由total类型自动计算
    connector={"line":{"color":"rgb(63, 63, 63)"}},
))

fig.update_layout(
    title="2023年度财务损益瀑布图",
    showlegend=True,
    yaxis=dict(title="金额 (¥)"),
    font=dict(family="SimHei", size=14)  # 确保中文正常显示
)

fig.show()

4、烛形图

特点：

• 烛形图由一系列类似蜡烛形状的图形构成，每个蜡烛对应一个时间周期（如一天、一周等）。蜡烛主体部分代表开盘价和收盘价，实心（或深色）表示收盘价低于开盘价，空心（或浅色）表示收盘价高于开盘价；蜡烛上下方的细线（影线）分别表示该周期内的最高价和最低价。这种图表能够清晰展示数据在一定时间内的波动范围、开盘收盘情况，直观反映价格或数据的变化趋势及市场情绪。

应用场景：

• 烛形图主要应用于金融市场领域，如股票、期货、外汇等交易数据的可视化，用于分析资产价格在不同时间段内的波动情况，帮助投资者判断市场趋势、买卖信号和市场情绪。同时，在其他领域，若数据具有类似的 “开盘 - 收盘 - 最高 - 最低” 特征，如项目进度的起始与结束时间、任务完成度的区间等，也可借助烛形图展示其动态变化过程和波动区间 。

使用python的实现过程及结果：

import pandas as pd
import numpy as np  # 添加 NumPy 导入
import plotly.graph_objects as go

# 生成模拟股票数据
dates = pd.date_range(start='2024-01-01', periods=30, freq='B')
np.random.seed(42)

# 创建价格数据
prices = [100]
for _ in range(29):
    change = np.random.normal(0, 1)
    prices.append(prices[-1] + change)

# 生成开盘价、最高价、最低价和收盘价
data = {
    'Date': dates,
    'Open': [p * (1 + np.random.uniform(-0.02, 0.02)) for p in prices],
    'High': [p * (1 + np.random.uniform(0.01, 0.03)) for p in prices],
    'Low': [p * (1 - np.random.uniform(0.01, 0.03)) for p in prices],
    'Close': [p * (1 + np.random.uniform(-0.02, 0.02)) for p in prices]
}

df = pd.DataFrame(data)

# 创建烛形图
fig = go.Figure(data=go.Candlestick(
    x=df['Date'],
    open=df['Open'],
    high=df['High'],
    low=df['Low'],
    close=df['Close']
))

# 更新布局，设置中文字体
fig.update_layout(
    title='股票价格烛形图示例',
    yaxis_title='价格 (元)',
    xaxis_title='日期',
    font=dict(family="SimHei, WenQuanYi Micro Hei, Heiti TC", size=14),
    xaxis_rangeslider_visible=False  # 可选：隐藏底部滑块
)

# 显示图表
fig.show()

# 也可以将图表保存为HTML文件
# fig.write_html("candlestick_chart.html")

5、折线图

特点：

• 折线图以直线段连接数据点，直观展示数据随时间或有序类别变化的趋势。其特点包括：横轴通常为时间或有序变量，纵轴为数值；能清晰反映数据增减变化、峰值与谷值位置及变化速率；支持多组数据对比，通过不同颜色或线型区分；适合展示连续型数据的变化模式，强调趋势而非精确数值。

应用场景：

• 折线图广泛应用于展示随时间变化的连续性数据趋势。在经济领域，用于呈现 GDP 增长率、通货膨胀率等宏观指标的长期走势；金融市场中，展示股票价格、汇率波动；科学研究里，记录实验数据变化；商业分析中，追踪销售业绩、用户活跃度等关键指标；公共卫生领域，监测疫情发展、疫苗接种率变化等。其优势在于能快速呈现数据变化方向、周期性特征及异常波动，辅助预测未来趋势与决策制定。

使用python的实现过程及结果：

import matplotlib.pyplot as plt
import numpy as np

# 设置中文字体支持
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 生成示例数据
x = np.linspace(2015, 2025, 11)  # 年份数据
y1 = np.random.randint(50, 100, 11)  # 产品A销量
y2 = np.random.randint(30, 80, 11)   # 产品B销量
y3 = np.random.randint(10, 60, 11)   # 产品C销量

# 创建图形和坐标轴
plt.figure(figsize=(12, 6))  # 设置图形大小

# 绘制多条折线
plt.plot(x, y1, marker='o', linestyle='-', color='blue', label='产品A')
plt.plot(x, y2, marker='s', linestyle='--', color='red', label='产品B')
plt.plot(x, y3, marker='^', linestyle='-.', color='green', label='产品C')

# 添加标题和标签
plt.title('2015-2025年各产品销量趋势对比')
plt.xlabel('年份')
plt.ylabel('销量 (万件)')

# 设置x轴刻度为整数年份
plt.xticks(x.astype(int))

# 添加图例和网格
plt.legend()
plt.grid(True, linestyle='--', alpha=0.7)

# 展示图形
plt.tight_layout()  # 自动调整布局
plt.show()

6、面积图

特点：

• 视觉强调：填充区域增强了数据量的直观感受，适合展示总量变化。
• 堆叠特性：支持堆叠显示多类别数据，展示各部分对整体的贡献比例。
• 趋势对比：可同时呈现多组数据的趋势，颜色区分便于快速识别类别差异。
• 时间维度：横轴通常为时间，纵轴为数值，突出随时间的累积变化。

应用场景：

• 面积图适用于展示数据的累积变化及其组成结构随时间的动态关系。在商业分析中，常用于呈现不同产品线的收入占比变化、用户增长来源分布；在资源管理领域，展示能源消耗类型的构成比例；在人口统计中，可视化不同年龄段人口数量的历史演变；在项目管理中，跟踪各阶段任务完成量的累积进度。其优势在于既能展示总量趋势，又能体现内部结构的动态变化，辅助决策制定与资源分配。

使用python的实现过程及结果：

import matplotlib.pyplot as plt
import numpy as np

# 设置中文字体支持
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 生成示例数据
years = np.arange(2015, 2025)
category1 = np.random.randint(10, 30, size=10)  # 类别1数据
category2 = np.random.randint(5, 25, size=10)   # 类别2数据
category3 = np.random.randint(0, 15, size=10)   # 类别3数据

# 创建图形和坐标轴
plt.figure(figsize=(12, 7))

# 绘制堆叠面积图
plt.stackplot(years, category1, category2, category3,
              labels=['产品A', '产品B', '产品C'],
              colors=['#66B3FF', '#99FF99', '#FFCC99'],
              alpha=0.7)

# 添加标题和标签
plt.title('2015-2024年各产品市场份额变化')
plt.xlabel('年份')
plt.ylabel('市场份额 (%)')

# 设置x轴刻度和图例
plt.xticks(years)
plt.legend(loc='upper left')

# 添加网格线
plt.grid(True, linestyle='--', alpha=0.7)

# 展示图形
plt.tight_layout()
plt.show()

7、时间趋势类相关的可视化图像对比总结

（1）图表特点对比

图表类型	核心特征	视觉表现
地平线图	多个时间序列以紧凑的横向条形展示，用颜色区分数据系列，呈现趋势变化	水平条形带起伏，颜色鲜明，占用空间小
河流图	基于堆叠面积图，数据围绕中心轴线流动，宽度反映数值大小，展示比例与趋势	形似河流，流动感强，动态效果突出
瀑布图	通过浮动柱子展示数据从起始值到最终值的增减变化过程，突出中间步骤的贡献	阶梯状柱子，用颜色区分增减，逻辑清晰
烛形图	每个周期数据用类似蜡烛的图形表示，展示开盘、收盘、最高、最低四个关键值	蜡烛形状直观反映波动，适合高频数据

（2）适用场景对比

图表类型	典型应用场景
地平线图	多维度数据趋势对比（如经济指标、医疗数据、环境参数的长期监测）
河流图	数据占比与流动趋势分析（如市场份额变化、人口迁移、资金流向动态）
瀑布图	数据构成与影响因素拆解（如财务损益分析、项目预算调整、绩效贡献度展示）
烛形图	金融市场交易数据可视化（如股票、期货价格走势），或其他需突出极值与区间的数据

（3）优势与局限总结

图表类型	优势	局限
地平线图	多序列对比清晰，节省空间；适合长期趋势观察；颜色编码便于快速识别数据类别	数据量过大时易显杂乱；不适合展示数据间的层级或占比关系
河流图	动态感强，直观呈现比例变化；适合展示数据流动与迁移过程	难以精确读取数值；复杂数据可能导致视觉混淆
瀑布图	逻辑推导清晰，突出中间步骤贡献；适用于解释数据变化的因果关系	不适用于时间序列数据；仅适用于有明确起点和终点的场景
烛形图	精准展示数据波动区间；金融领域应用广泛，专业认可度高	信息密度高，需一定专业知识理解；非金融场景适用性较弱