时间趋势类数据可视化总结

前言

时间趋势类可视化图像主要用于展示数据随时间的变化情况，帮助用户快速理解数据的动态特征和趋势。以下是几种常见的时间趋势类图表的总结，包括它们的特点、应用场景以及使用 Python（Matplotlib、Seaborn、Plotly 等库）的实现过程及结果。

一、地平线图

特点
紧凑性：能够在有限的空间内展示大量的时间序列数据。
直观性：通过颜色和高度的变化，用户可以快速识别数据的波动趋势和异常点。
多层显示：数据被分割成多个层次，每一层代表一个范围，便于用户理解数据的分布。
应用场景
时间序列分析：适用于展示股票价格、温度变化、网站流量等随时间变化的数据。
仪表板设计：在有限的空间内展示多个时间序列数据，方便用户快速获取信息。

python实现

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import rcParams
 
# 设置中文字体
rcParams['font.sans-serif'] = ['SimHei']  # 使用黑体
rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
 
# 生成示例数据
np.random.seed(42)
x = np.linspace(0, 10, 100)
data = np.sin(x * 2) * 10 + np.random.normal(0, 1, 100)
 
 
# 创建地平线图
def plot_horizon(x, data, bands=3, colors=('#B2182B', '#EF8A62', '#FDDBC7', '#D1E5F0', '#67A9CF', '#2166AC')):
    fig, ax = plt.subplots(figsize=(10, 4))
 
    # 计算每个带的高度
    band_height = (np.max(data) - np.min(data)) / bands
 
    # 绘制正负区域
    for i in range(bands):
        # 正数部分
        positive_data = np.where(data > 0, np.clip(data, i * band_height, (i + 1) * band_height) - i * band_height, 0)
        ax.fill_between(x, 0, positive_data,
                        color=colors[i % len(colors)],
                        alpha=0.8,
                        edgecolor='none')
 
        # 负数部分
        negative_data = np.where(data < 0, np.clip(data, -(i + 1) * band_height, -i * band_height) + i * band_height, 0)
        ax.fill_between(x, 0, negative_data,
                        color=colors[(i + bands) % len(colors)],
                        alpha=0.8,
                        edgecolor='none')
 
    # 设置坐标轴和标签
    ax.set_xlabel('时间', fontsize=12)
    ax.set_ylabel('数值强度', fontsize=12)
    ax.set_title('地平线图示例（3波段正负分离）', fontsize=14, pad=20)
    ax.grid(True, linestyle='--', alpha=0.6)
 
    # 隐藏y轴刻度
    ax.set_yticks([])
 
    plt.tight_layout()
    return fig
 
 
# 绘制图表
plot_horizon(x, data)
plt.show()

---

二、河流图

河流图（Sankey Diagram）是一种流向图，主要用于可视化流动的数量和方向，能够展示不同类别之间的关系及其变化。河流图通常用于表示能量、物质或资金的流动，具有直观且易于理解的特点。

特点
1.流动可视化：河流图通过流线的宽度表示流动的数量，宽度越大表示流动量越大。
2.动态展示：能够动态展示多个时间序列数据的变化趋势。
3.多维关系：能够同时展示多个维度的数据流动，便于分析复杂的关系。
4.交互性：许多实现方式支持交互，用户可以通过点击或悬停获取更多信息。

应用场景
能源流动分析（如电力、油气等）
财务流动分析（如收入、支出、投资等）
供应链管理（如原材料到成品的流动）
生态系统中的物质流动（如营养物质在生态系统中的流动）

python实现

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
 
# 生成示例数据
np.random.seed(0)
time = pd.date_range('20230101', periods=30)
data = pd.DataFrame(np.cumsum(np.random.randn(30, 3), axis=0), index=time, columns=['A', 'B', 'C'])
# 居中处理数据以生成对称河流图
data = data.sub(data.mean(axis=1), axis=0)
# 绘制河流图
plt.figure(figsize=(10, 6))
colors = ['skyblue', 'aquamarine', 'steelblue']
plt.stackplot(data.index, data.T, labels=data.columns, alpha=0.7, baseline='wiggle', colors=colors)
# 设置图表标题和坐标轴标签
plt.title('Streamgraph Example')
plt.xlabel('Time')
plt.ylabel('Value')
# 旋转x轴日期标签以便更好显示
plt.xticks(rotation=45)
# 显示图例
plt.legend(title='Categories', loc='upper right')
# 优化布局
plt.tight_layout()
# 显示图表
plt.show()

使用Matplotlib和Pandas库创建一个三个类别（A、B、C）在30天时间范围内变化趋势的河流图（Streamgraph）。河流图适合展示多个时间序列的相对变化，同时保持整体趋势的清晰对比。

---

三、瀑布图

特点
展示累积效果
显示正向和负向贡献
连接起点和终点

应用场景
财务分析（利润构成）
项目进度跟踪
预算变化分析

python实现

from pyecharts.charts import ThemeRiver
import pyecharts.options as opts
import pandas as pd
# 导入数据
data = pd.read_csv('river_data.csv')
# print(data)
# print(data)
#数据格式
# 系列名称，用于 tooltip 的显示，legend 的图例筛选。
#    series_name: Sequence,
    # 系列数据项
#    data: types.Sequence[types.Union[opts.ThemeRiverItem, dict]],
data_list = []
# 封装数据
for i in zip(data['date'],data['num'],data['series']):
    data_list.append(list(i))
# print(data_list)
series = ['分支1','分支2','分支3','分支4','分支5','分支6']
# 绘制，设置类型为时间
wc = ThemeRiver(init_opts=opts.InitOpts(height='600px'))\
    .add(series_name=series, data=data_list, singleaxis_opts=opts.SingleAxisOpts(type_='time'))\
    .render()

四、烛型图

特点
详细信息：能够展示每个时间单位内的详细价格信息，包括开盘价、收盘价、最高价和最低价。
趋势判断：通过蜡烛的颜色和形状，用户可以快速判断市场的趋势和情绪。
技术分析：是金融领域中常用的技术分析工具，能够帮助投资者做出决策。

应用场景
金融市场分析：适用于展示股票、期货、外汇等金融产品的价格变化。
技术分析：用于识别市场趋势和交易信号。

python实现

import plotly.graph_objects as go
import pandas as pd
# 生成示例数据
df = pd.DataFrame({
    'Date': pd.date_range(start='2023-01-01', periods=100, freq='D'),
    'Open': np.random.randint(100, 200, 100),
    'High': np.random.randint(200, 300, 100),
    'Low': np.random.randint(50, 150, 100),
    'Close': np.random.randint(150, 250, 100)
})
# 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
fig.update_layout(title='烛形图示例', xaxis_title='日期', yaxis_title='价格')
fig.show()

---

五、日历热力图

特点
1.直观展示时间序列数据的分布和趋势，适合长期数据（如年/月/周）的可视化。
2.颜色编码清晰，便于快速识别高/低值、周期性规律或异常日期。
3.紧凑布局，节省空间，同时保留完整的日期信息。
4.数据点过多时可能显得拥挤，难以精确对比相邻日期的差异。
5.依赖颜色映射，色盲用户可能难以区分。
6.不适用于非时间序列数据或离散类别数据

应用场景

每日活动跟踪
网站访问量分析
温度变化模式

python实现

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import calmap
# 生成示例数据
dates = pd.date_range('2023-01-01', '2023-12-31')
values = np.random.rand(len(dates))
events = pd.Series(values, index=dates)
plt.figure(figsize=(12, 6))
calmap.yearplot(events, year=2023, cmap='YlGn')
plt.title('Calendar Heatmap')
plt.tight_layout()
plt.show()

---

总结

图表类型	特点	适用场景	优点	缺点
地平线图	分层显示数据，颜色区正负	高密度时间序列多序列对比有限空间展示	节省垂直空间适合大数据量	解读需要适应颜色选择关键
河流图	堆叠面积图变体基线居中形成流动效果	多类别时间趋势(流量来源、产品占比)	展示整体模式美观性强	精确值读取困难类别不宜过多
瀑布图	显示累积过程区分正负贡献	财务分析 预算变化 项目进度	直观显示增减强调关键节点	数据复杂度有限类别不宜过多
烛型图	显示OHLC价格(开盘/最高/最低/收盘)	金融市场分析价格波动研究	信息密度高，行业标准	需要金融知识，单变量专用
日历热力图	按日历布局颜色表示数值	每日活动模式(访问量、打卡记录)	显示周期性直观醒目	仅适合日粒度数据