用python画折线图时的一些tips

一、读取数据

1.read_csv()函数参数：

• filepath_or_buffer：CSV文件的路径（字符串）或文件对象。
• sep：字段分隔符，默认为逗号（,）。可以使用其他字符或字符串作为分隔符，例如制表符（\t）。
• header：指定作为列名的行号，默认为'infer'，表示使用文件中的第一行作为列名。可以使用整数值来指定特定行作为列名。
• index_col：指定作为行索引的列号或列名。默认为None，表示不使用任何列作为行索引。
• usecols：指定要读取的列号或列名的列表，用于选择特定的列进行读取。
• dtype：指定列的数据类型。可以是字典形式的列名和数据类型映射，也可以是一个数据类型，将应用于所有列。
• na_values：将特定值解释为空值（缺失值）的列表或字典。
• parse_dates：将指定的列解析为日期时间格式。可以是列号或列名的列表。
• nrows：要读取的行数。默认为None，表示读取所有行。
• skiprows：要跳过的行数。可以是整数值或行号的列表。
• encoding：CSV文件的编码方式。
• header：指定是否存在列名行。默认为'infer'，表示自动判断是否存在列名。
• skip_blank_lines：是否跳过空白行，默认为True。
• quotechar：用于引用字段的字符，默认为双引号（"）。
• skipinitialspace：是否跳过字段前面的空格，默认为False。

注：header参数，我理解的是就是第一行作为列名，seq就是一个分隔符，但是使用了这两个参数，我总是无法从数据中提取一个维度出来，删除之后，就可以了

使用read_csv读取后，数据类型是 <class 'pandas.core.frame.DataFrame'>，方便处理数据

2. with open

这种方式读取数据，可以看到创建了一个csv读取器，读取之后的数据类型是csv的。难以处理，但是可能读取较快 

with open('D:\深度学习\数据集\ETDataset-main\ETT-small\ETTh1.csv', 'r') as file:
    # 创建CSV读取器
    datas= csv.reader(file)

二、iloc和loc用法区别：

1. iloc（整数位置）：

   • 语法：dataframe.iloc[row_index, column_index]
   • iloc主要用于基于整数的索引选择数据。
   • 您可以传递整数值或切片来指定要选择的行和列。
   • 示例：从 DataFrame 中选择第 0 到 4 行（独占）和第 2 到 3 列（独占）。dataframe.iloc[0:5, 2:4]

2. loc（标签位置）：

   • 语法：dataframe.loc[row_label, column_label]
   • loc用于根据基于标签的索引选择数据，这意味着您引用索引标签或列名，而不是整数位置。
   • 您可以传递标签值、切片或布尔条件来指定要选择的行和列。
   • 示例：从 DataFrame 中选择索引标签为“A”到“E”（含）的行和标签为“X”到“Z”（含）的列。dataframe.loc['A':'E', 'X':'Z']

重点区别是索引方式不同，iloc索引时是数字，loc索引是标签 

三、画图不显示汉字问题，添加如下代码即可

import matplotlib.pyplot as plt  
plt.rcParams['font.sans-serif'] = [u'SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  #用来正常显示负号

四、由于数据量大，且每个字符长，占有存储空间大，所以不使用x的原有数值，使用相同大小的整数代替，下边是三种方式。

##1.列表推导式
numbers = [i for i in range(1, len(df)+1)]

##2.Python 的内置函数 range()
numbers = list(range(1, len(df)+1))

##3.循环加入列表
x=[]
for i in range(1,len(df)+1):
    x.append(i)

 五、颜色映射

我创建了一个包含4行1列的图形，并绘制了四条折线图。然后，我尝试使用颜色映射来为每条折线图赋予不同的颜色。配色方案多种多样，针对不同应用场景选择使用。对于数据量较少的，应该采用颜色鲜亮，对比鲜明的颜色。

1. 'viridis'：这是Matplotlib的默认配色方案，在视觉上具有很好的感知性，有较好的连续变化效果。它在色彩空间中变化明显，从低到高依次呈现出深绿、亮绿、黄和橙色。适用于表示渐变或连续的数据。

2. 'coolwarm'：这是一个双色调的配色方案，其中蓝色表示低值，红色表示高值，中间的白色表示中间值。它适用于表示正负变化或对比度。

3. 'RdYlBu'：这是一个红黄蓝的配色方案，适用于表示正负变化或对比度。红色表示高值，黄色表示中间值，蓝色表示低值。

4. 'Set1'、'Set2'、'Set3'：这些是一系列明亮且对比度较高的配色方案，每个方案包含多个不同的颜色。它们适用于分类数据，可以很好地区分不同的类别。

5. 'Pastel'：这个配色方案使用了一系列柔和的、带有较低饱和度的颜色。它适用于需要柔和、舒适感的可视化。

# 定义颜色映射
cmap = plt.cm.get_cmap('cool')

# 绘制折线图
axes[0].plot(x, y1,color=cmap(1.0))
axes[1].plot(x, y2,color=cmap(0.8))
axes[2].plot(x, y3,color=cmap(0.5))
axes[3].plot(x, y4,color=cmap(0.4))

# 添加颜色映射的颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=0, vmax=1))
sm.set_array([])
cbar = plt.colorbar(sm, ax=axes)

六、为显示美观

四个子图只显示最上边或最下边的坐标轴刻度，添加一个sharex参数

fig, axes = plt.subplots(4, 1, sharex=True,figsize=(90, 16),dpi=80)

# 隐藏除第一个子图外的其他子图的x轴刻度标签和标签
for ax in axes[:-1]:
    plt.setp(ax.get_xticklabels(), visible=False)
    ax.set_xlabel('')

完整代码如下：

import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv('D:\深度学习\数据集\ETDataset-main\ETT-small\ETTh1.csv')
df = data.iloc[3000:8000, 0:].values

x = list(range(1, len(df) + 1))
y1 = df[:, 1]
y2 = df[:, 2]
y3 = df[:, 3]
y4 = df[:, 4]
# plt.figure(figsize=(150, 16),dpi=80)
# 创建一个包含 4 行 1 列的图形，并获取子图对象
fig, axes = plt.subplots(4, 1, sharex=True,figsize=(200, 16),dpi=80)
# 定义颜色映射
cmap = plt.cm.get_cmap('viridis')
# 绘制折线图
axes[0].plot(x, y1,color=cmap(0.9))
axes[1].plot(x, y2,color=cmap(0.7))
axes[2].plot(x, y3,color=cmap(0.4))
axes[3].plot(x, y4,color=cmap(0.2))

# 添加颜色映射的颜色条
sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=0, vmax=1))
sm.set_array([])
cbar = plt.colorbar(sm, ax=axes)

# 隐藏除第一个子图外的其他子图的x轴刻度标签和标签
for ax in axes[:-1]:
    plt.setp(ax.get_xticklabels(), visible=False)
    ax.set_xlabel('')
plt.xlim(0,5000)
plt.xticks(range(0, 5000, 500))

plt.show()

效果：