时间趋势类可视化图表总结

于 2025-05-12 21:47:05 发布
阅读量918 收藏 20
点赞数 5
文章标签： 信息可视化 python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/owilazy/article/details/147905067
版权

时间趋势类可视化图表用于展示数据随时间变化的模式和趋势。以下是几种常见的时间趋势可视化图表及其特点、应用场景和Python实现方法。

  1. 折线图 (Line Chart)
    特点：
    用连续的线段连接各个时间点的数据值
    简单直观，易于理解
    应用场景：
    展示单一或多个时间序列的整体趋势
    比较不同组别的时间趋势
    优点：
    实现简单
    能够清晰展示趋势变化
    缺点：
    数据点过多时可能显得杂乱
    不适合展示大量时间序列
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 创建示例数据
dates = pd.date_range('2023-01-01', periods=30)
values = np.cumsum(np.random.randn(30))

plt.figure(figsize=(10, 5))
plt.plot(dates, values, marker='o')
plt.title('折线图示例')
plt.xlabel('日期')
plt.ylabel('值')
plt.grid(True)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

在这里插入图片描述

  1. 地平线图 (Horizon Chart)
    特点：
    将数据分层折叠显示，节省垂直空间
    使用颜色深浅表示数值大小
    应用场景：
    需要同时比较多个时间序列
    垂直空间有限时
    优点：
    节省空间
    能够展示大量时间序列
    缺点：
    解读需要一定学习成本
    数值精确度降低
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib.collections import LineCollection


def horizon_plot(data, n_layers=3, figsize=(10, 5)):
    fig, ax = plt.subplots(figsize=figsize)

    # 计算每层的高度
    layer_height = 1.0 / n_layers
    y_max = data.max()

    for i in range(n_layers):
        # 计算当前层的y轴范围
        lower = i * y_max / n_layers
        upper = (i + 1) * y_max / n_layers

        # 裁剪数据到当前层
        layer_data = np.clip(data, lower, upper) - lower

        # 创建线段集合
        points = np.array([data.index, layer_data]).T.reshape(-1, 1, 2)
        segments = np.concatenate([points[:-1], points[1:]], axis=1)

        # 创建颜色（交替颜色）
        color = 'red' if i % 2 == 0 else 'blue'

        # 添加线段集合到图中
        lc = LineCollection(segments, colors=color, linewidths=2)
        ax.add_collection(lc)

        # 添加填充
        ax.fill_between(data.index, layer_data, 0, color=color, alpha=0.1)

    ax.set_xlim(data.index[0], data.index[-1])
    ax.set_ylim(0, y_max / n_layers)
    ax.set_title('地平线图示例')
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()


# 生成示例数据
dates = pd.date_range('2023-01-01', periods=100)
values = np.random.randn(100).cumsum()
data = pd.Series(values, index=dates)

horizon_plot(data, n_layers=4)

在这里插入图片描述

  1. 河流图/流图 (Stream Graph)
    特点：
    围绕中心轴堆叠的面积图
    产生流动的视觉效果
    应用场景：
    展示多个类别随时间的变化
    强调整体模式和相对比例
    优点：
    美观，视觉冲击力强
    能展示整体趋势和组成部分
    缺点：
    难以精确读取具体数值
    类别过多时难以分辨
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib import cm


def streamgraph(data, figsize=(12, 6)):
    fig, ax = plt.subplots(figsize=figsize)

    # 计算堆叠数据
    stacked = data.cumsum(axis=1)

    # 计算基线（居中）
    baseline = stacked.sum(axis=1) / 2

    # 为每个类别绘制多边形
    colors = cm.viridis(np.linspace(0, 1, data.shape[1]))

    for i, col in enumerate(data.columns):
        # 计算上下边界
        y_upper = stacked.iloc[:, i] - baseline
        y_lower = stacked.iloc[:, i - 1] - baseline if i > 0 else -baseline

        # 绘制多边形
        ax.fill_between(data.index, y_upper, y_lower,
                        color=colors[i], alpha=0.7, label=col)

    ax.legend(loc='upper left')
    ax.set_title('河流图示例')
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()


# 生成示例数据
dates = pd.date_range('2023-01-01', periods=50)
categories = ['A', 'B', 'C', 'D']
data = pd.DataFrame(np.random.rand(50, 4) * 10, index=dates, columns=categories)

streamgraph(data)

在这里插入图片描述

  1. 瀑布图 (Waterfall Chart)
    特点：
    展示从初始值到最终值的变化过程
    用上升和下降的柱形表示增减
    应用场景：
    财务分析中的利润变化
    展示组成成分对整体的贡献
    优点：
    清晰展示变化过程
    直观显示正负贡献
    缺点：
    主要用于离散变化分析
    不适合连续时间序列
import matplotlib.pyplot as plt


def waterfall_chart(data, figsize=(10, 6)):
    fig, ax = plt.subplots(figsize=figsize)

    # 计算中间值
    totals = [data[0]]
    for i in range(1, len(data)):
        totals.append(totals[i - 1] + data[i])

    # 绘制柱形
    bars = ax.bar(range(len(data)), data,
                  bottom=[0] + totals[:-1],
                  color=['green' if x >= 0 else 'red' for x in data])

    # 添加连接线
    for i in range(1, len(data)):
        ax.plot([i - 0.5, i + 0.5], [totals[i - 1], totals[i - 1]], 'k-')

    ax.set_title('瀑布图示例')
    ax.set_xticks(range(len(data)))
    ax.set_xticklabels([f'Step {i + 1}' for i in range(len(data))])
    plt.tight_layout()
    plt.show()


# 示例数据
data = [100, 20, -15, 30, -10, 40]

waterfall_chart(data)

在这里插入图片描述

  1. 烛形图/蜡烛图 (Candlestick Chart)
    特点：
    显示开盘、收盘、最高、最低价
    用颜色表示涨跌
    应用场景：
    金融市场价格分析
    波动性分析
    优点：
    信息丰富，一目了然
    技术分析标准工具
    缺点：
    需要专业知识解读
    数据点过多时难以阅读
import matplotlib.pyplot as plt
from matplotlib.dates import DateFormatter, DayLocator
import pandas as pd

# 示例数据
data = pd.DataFrame({
    'Date': pd.date_range(start='2023-01-01', periods=20),
    'Open': [100, 102, 105, 103, 107, 108, 106, 110, 112, 115,
             113, 110, 108, 105, 103, 106, 104, 107, 109, 111],
    'High': [102, 106, 107, 108, 110, 112, 111, 115, 117, 118,
             116, 113, 110, 108, 107, 109, 108, 110, 113, 114],
    'Low': [98, 101, 103, 101, 105, 106, 104, 108, 110, 113,
            110, 107, 105, 103, 101, 103, 102, 105, 107, 109],
    'Close': [101, 105, 103, 107, 108, 106, 110, 112, 115, 113,
              110, 108, 105, 103, 106, 104, 107, 109, 111, 113]
})

# 创建图形
fig, ax = plt.subplots(figsize=(12, 6))

# 确定上涨和下跌
up = data[data['Close'] >= data['Open']]
down = data[data['Close'] < data['Open']]

# 设置宽度（以天为单位）
width = 0.6
width2 = 0.05

# 绘制上涨K线（绿色）
ax.bar(up['Date'], up['Close']-up['Open'], width, bottom=up['Open'], color='green')
ax.bar(up['Date'], up['High']-up['Close'], width2, bottom=up['Close'], color='green')
ax.bar(up['Date'], up['Low']-up['Open'], width2, bottom=up['Open'], color='green')

# 绘制下跌K线（红色）
ax.bar(down['Date'], down['Close']-down['Open'], width, bottom=down['Open'], color='red')
ax.bar(down['Date'], down['High']-down['Open'], width2, bottom=down['Open'], color='red')
ax.bar(down['Date'], down['Low']-down['Close'], width2, bottom=down['Close'], color='red')

# 设置日期格式
ax.xaxis.set_major_locator(DayLocator(interval=2))
ax.xaxis.set_major_formatter(DateFormatter("%Y-%m-%d"))
plt.xticks(rotation=45)

# 添加标题和标签
plt.title('Manual Candlestick Chart')
plt.ylabel('Price ($)')

plt.tight_layout()
plt.show()

在这里插入图片描述

  1. 面积图 (Area Chart)
    特点：
    折线图下的区域填充颜色
    可以堆叠显示多个序
    应用场景：
    展示总量及其组成部分
    比较多个类别的趋势
    优点：
    直观展示数量大小
    强调变化幅度
    缺点：
    堆叠时下层变化影响上层
    类别过多时难以分辨
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 生成示例数据
dates = pd.date_range('2023-01-01', periods=12)
categories = ['A', 'B', 'C']
data = pd.DataFrame(np.random.rand(12, 3)*100,
                   index=dates,
                   columns=categories).cumsum()

plt.figure(figsize=(10, 5))
plt.stackplot(data.index, data.T, labels=data.columns)
plt.legend(loc='upper left')
plt.title('堆叠面积图示例')
plt.xlabel('日期')
plt.ylabel('值')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

在这里插入图片描述

  1. 甘特图 (Gantt Chart)
    特点：
    用横条表示任务和时间跨度
    显示项目进度和时间安排
    应用场景：
    项目管理
    任务时间安排
    优点：
    清晰展示时间跨度
    直观显示任务进度
    缺点：
    主要用于离散任务
    不适合连续数据
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from datetime import datetime


def gantt_chart(tasks, figsize=(10, 5)):
    fig, ax = plt.subplots(figsize=figsize)

    for i, (task, start, end) in enumerate(tasks):
        ax.barh(i, end - start, left=start, height=0.5, align='center')

    ax.set_yticks(range(len(tasks)))
    ax.set_yticklabels([task[0] for task in tasks])
    ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
    ax.xaxis.set_major_locator(mdates.DayLocator(interval=5))
    plt.xticks(rotation=45)
    plt.title('甘特图示例')
    plt.tight_layout()
    plt.show()


# 示例数据
tasks = [
    ("任务A", datetime(2023, 1, 1), datetime(2023, 1, 10)),
    ("任务B", datetime(2023, 1, 5), datetime(2023, 1, 15)),
    ("任务C", datetime(2023, 1, 12), datetime(2023, 1, 20)),
    ("任务D", datetime(2023, 1, 18), datetime(2023, 1, 25))
]

gantt_chart(tasks)

在这里插入图片描述

  1. 日历热力图 (Calendar Heatmap)
    特点：
    按日历布局展示数据
    用颜色表示数值大小
    应用场景：
    展示日级别数据
    发现周期性模式
    优点：
    直观展示日历模式
    美观
    缺点：
    需要足够空间
    精确数值难以读取
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import matplotlib as mpl
from matplotlib.patches import Rectangle

def calendar_heatmap(data, year, cmap='viridis'):
    fig, ax = plt.subplots(figsize=(10, 6))
    
    # 创建日历网格
    for month in range(1, 13):
        # 计算该月第一天是星期几
        first_day = pd.Timestamp(f'{year}-{month}-01')
        weekday = first_day.dayofweek
        
        # 计算该月有多少天
        days_in_month = first_day.days_in_month
        
        # 为每一天绘制方块
        for day in range(1, days_in_month + 1):
            date = pd.Timestamp(f'{year}-{month}-{day}')
            
            # 计算方块位置
            row = (date.dayofyear - 1 + pd.Timestamp(f'{year}-01-01').dayofweek) // 7
            col = date.dayofweek
            
            # 获取数据值
            value = data.get(date, np.nan)
            
            # 绘制方块
            if not np.isnan(value):
                color = plt.cm.get_cmap(cmap)(value / max(data.values()))
                rect = Rectangle((col - 0.5, row - 0.5), 1, 1, 
                               facecolor=color, edgecolor='white')
                ax.add_patch(rect)
    
    ax.set_xlim(-0.5, 6.5)
    ax.set_ylim(-0.5, 53)
    ax.set_xticks(range(7))
    ax.set_xticklabels(['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'])
    ax.set_yticks([])
    ax.set_title(f'日历热力图 {year}')
    plt.tight_layout()
    plt.show()

# 生成示例数据
year = 2023
dates = pd.date_range(f'{year}-01-01', f'{year}-12-31')
values = np.random.rand(len(dates)) * 100
data = dict(zip(dates, values))

calendar_heatmap(data, year, cmap='YlOrRd')

在这里插入图片描述
总结

选择合适的时间趋势可视化图表应根据数据特点、分析目的和受众需求综合考虑。简单趋势分析可使用折线图，多序列比较可考虑地平线图或河流图，金融数据适合烛形图，而项目管理则适合甘特图。

owilazy
关注
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值