什么是折线图？怎样用Python绘制？怎么用？终于有人讲明白了

IT阅读排行榜

发布于 2020-01-17 16:00:47

2K0

发布于 2020-01-17 16:00:47

文章被收录于专栏：华章科技

导读：数据分析时经常用到的折线图，你真的懂了吗？可以用来呈现哪些数据关系？在数据分析过程中可以解决哪些问题？怎样用Python绘制折线图？本文逐一为你解答。

作者：屈希峰，资深Python工程师，知乎多个专栏作者

来源：大数据DT（ID：hzdashuju）

01 概述

折线图（Line）是将排列在工作表的列或行中的数据进行绘制后形成的线状图形。折线图可以显示随时间（根据常用比例设置）而变化的连续数据，非常适用于显示在相等时间间隔下数据的趋势。

在折线图中，数据是递增还是递减、增减的速率、增减的规律（周期性、螺旋性等）、峰值等特征都可以清晰地反映出来。所以，折线图常用来分析数据随时间的变化趋势，也可用来分析多组数据随时间变化的相互作用和相互影响。

例如，可用来分析某类商品或是某几类相关的商品随时间变化的销售情况，从而进一步预测未来的销售情况。在折线图中，一般水平轴（x轴）用来表示时间的推移，并且间隔相同；而垂直轴（y轴）代表不同时刻的数据的大小。如图0所示。

▲图0 折线图

02 实例

折线图代码示例如下所示。

代码示例①

# 数据  
x = [1, 2, 3, 4, 5, 6, 7]  
y = [6, 7, 2, 4, 5, 10, 4]  
# 画布：坐标轴标签，画布大小  
p = figure(title="line example", x_axis_label='x', y_axis_label='y', width=400, height=400)  
# 绘图：数据、图例、线宽  
p.line(x, y, legend="Temp.", line_width=2)  # 折线  
# 显示
show(p)

运行结果如图1所示。

▲图1 代码示例①运行结果

代码示例①仍以最简单的方式绘制第一张折线图。line()方法的参数说明如下。

p.line(x, y, **kwargs)参数说明
x (:class:`~bokeh.core.properties.NumberSpec` ) : x坐标。
y (:class:`~bokeh.core.properties.NumberSpec` ) : y坐标。
line_alpha (:class:`~bokeh.core.properties.NumberSpec` ) : (default: 1.0) 轮廓线透明度。
line_cap ( :class:`~bokeh.core.enums.LineCap` ) : (default: 'butt') 线端。
line_color (:class:`~bokeh.core.properties.ColorSpec` ) : (default: 'black') 轮廓线颜色，默认：黑色。
line_dash (:class:`~bokeh.core.properties.DashPattern` ) : (default: []) 虚线，类型可以是序列，也可以是字符串('solid', 'dashed', 'dotted', 'dotdash', 'dashdot')。
line_dash_offset (:class:`~bokeh.core.properties.Int` ) : (default: 0) 虚线偏移。
line_join (:class:`~bokeh.core.enums.LineJoin` ) : (default: 'bevel')。
line_width (:class:`~bokeh.core.properties.NumberSpec` ) : (default: 1) 线宽。
name (:class:`~bokeh.core.properties.String` ) : 图元名称。
tags (:class:`~bokeh.core.properties.Any` ) :图元标签。
alpha (float) : 一次性设置所有线条的透明度。
color (Color) : 一次性设置所有线条的颜色。
source (ColumnDataSource) : Bokeh特有数据格式（类似于Pandas Dataframe）。
legend (str) : 图元的图例。
x_range_name (str) : x轴范围名称。
y_range_name (str) : y轴范围名称。
level (Enum) : 图元渲染级别。
代码示例②

p = figure(plot_width=400, plot_height=400)  
# 线段x、y位置点均为列表；两段线的颜色、透明度、线宽  
p.multi_line([[1, 3, 2], [3, 4, 6, 6]], [[2, 1, 4], [4, 7, 8, 5]],  
color=["firebrick", "navy"], alpha=[0.8, 0.3], line_width=4)  # 多条折(曲)线
show(p)

运行结果如图2所示。

▲图2 代码示例②运行结果

代码示例②第3行使用multi_line()方法，实现一次性绘制两条折线，同时，在参数中定义不同折线的颜色。如果使用Pandas Dataframe，则可以同时绘制不同列的数据。multi_line()方法的参数说明如下。

p.multi_line(xs, ys, **kwargs)参数说明
xs (:class:`~bokeh.core.properties.NumberSpec` ) :x坐标，列表。
ys (:class:`~bokeh.core.properties.NumberSpec` ) :y坐标，列表。

其他参数同line。

代码示例③

# 准备数据  
x = [0.1, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0]  
y0 = [i**2 for i in x]  
y1 = [10**i for i in x]  
y2 = [10**(i**2) for i in x]  
# 创建画布  
p = figure(  
      tools="pan,box_zoom,reset,save",  
      y_axis_type="log", title="log axis example",  
      x_axis_label='sections', y_axis_label='particles',  
      width=700, height=350)  
# 增加图层，绘图  
p.line(x, x, legend="y=x")  
p.circle(x, x, legend="y=x", fill_color="white", size=8)  
p.line(x, y0, legend="y=x^2", line_width=3)  
p.line(x, y1, legend="y=10^x", line_color="red")  
p.circle(x, y1, legend="y=10^x", fill_color="red", line_color="red", size=6) 
p.line(x, y2, legend="y=10^x^2", line_color="orange", line_dash="4 4")  
# 显示  
show(p)

运行结果如图3所示。

▲图3 代码示例③运行结果

代码示例③第13、15、16行使用line()方法逐一绘制折线，该方法的优点是基本数据清晰，可在不同线条绘制过程中直接定义图例。读者也可以使用multi_line()方法一次性绘制三条折线，然后再绘制折线上的数据点。同样，既可以在函数中预定义图例，也可以用Lengend方法单独进行定义，在后会对图例进行详细说明。

代码示例④

p.legend.location = "top_left"  # 图例位于左上  
p.legend.click_policy="hide" # 点击图例显示、隐藏图形  
show(p)  # 自行测试效果

运行结果如图4所示。

▲图4 代码示例④运行结果

代码示例④在代码示例③的基础上增加了图例的位置、显示或隐藏图形属性；通过点击图例，可实现图形的显示或隐藏，当折线数目较多或者颜色干扰阅读时，可以通过该方法实现对某一条折线数据的重点关注。这种通过图例、工具条、控件实现数据人机交互的可视化方式，正是Bokeh得以在GitHub火热的原因，建议在工作实践中予以借鉴。

代码示例⑤

# 数据  
import numpy as np  
x = np.linspace(0, 4*np.pi, 200)  
y1 = np.sin(x)  
y2 = np.cos(x)  
# 将y1+—0.9范围外的数据设置为无穷大  
y1[y1>+0.9] = +np.inf  
y1[y1<-0.9] = -np.inf  
# 将y2+—0.9范围外的数据采用掩码数组或NAN值替换  
y2 = np.ma.masked_array(y2, y2<-0.9)  
y2[y2>0.9] = np.nan  
# 图层  
p = figure(title="lines with missing/inf values")  
# 绘图x,y1  
p.line(x, y1, color="firebrick", line_width=2)  # 砖红色  
# 绘图x，y2  
p.line(x, y2, color="blue", line_width=2)  # 蓝色  
show(p)

运行结果如图5所示。

▲图5 代码示例⑤运行结果

代码示例⑤第15、16行使用line()方法绘制两组不同颜色的曲线。

代码示例⑥

import numpy as np  
from collections import defaultdict  
from scipy.stats import norm  
from bokeh.models import HoverTool, TapTool  
from bokeh.layouts import gridplot  
from bokeh.palettes import Viridis6  
# 数据  
mass_spec = defaultdict(list)  #defaultdict类的初始化函数接受一个list类型作为参数，当所访问的键不存在时，可以实例化一个值作为默认值  
RT_x = np.linspace(118, 123, num=50)  
norm_dist = norm(loc=120.4).pdf(RT_x)  # loc均值；pdf输入x，返回概率密度函数  

# 生成6组高斯分布的曲线  
for scale, mz in [(1.0, 83), (0.9, 55), (0.6, 98), (0.4, 43), (0.2, 39), (0.12, 29)]:  
       mass_spec["RT"].append(RT_x)  
       mass_spec["RT_intensity"].append(norm_dist * scale)   
       mass_spec["MZ"].append([mz, mz])  
       mass_spec["MZ_intensity"].append([0, scale])  
       mass_spec['MZ_tip'].append(mz)  
       mass_spec['Intensity_tip'].append(scale)  
# 线条颜色  
mass_spec['color'] = Viridis6  
# 画布参数  
figure_opts = dict(plot_width=450, plot_height=300)  
hover_opts = dict(  
    tooltips=[('MZ', '@MZ_tip'), ('Rel Intensity', '@Intensity_tip')],  # 鼠标悬停在曲线上动态显示数据  
    show_arrow=False,  
    line_policy='next'  
)  
line_opts = dict(  
    line_width=5, line_color='color', line_alpha=0.6,  
    hover_line_color='color', hover_line_alpha=1.0,  
    source=mass_spec  # 线条数据  
)  
# 画布1  
rt_plot = figure(tools=[HoverTool(**hover_opts), TapTool()], **figure_opts)  
# 同时绘制多条折(曲)线  
rt_plot.multi_line(xs='RT', ys='RT_intensity', legend="Intensity_tip", **line_opts)  
# x,y轴标签  
rt_plot.xaxis.axis_label = "Retention Time (sec)"  
rt_plot.yaxis.axis_label = "Intensity"  
# 画布2  
mz_plot = figure(tools=[HoverTool(**hover_opts), TapTool()], **figure_opts)  
mz_plot.multi_line(xs='MZ', ys='MZ_intensity', legend="Intensity_tip", **line_opts)  
mz_plot.legend.location = "top_center"  
mz_plot.xaxis.axis_label = "MZ"  
mz_plot.yaxis.axis_label = "Intensity"  
# 显示  
show(gridplot([[rt_plot, mz_plot]]))

运行结果如图6所示。

▲图6 代码示例⑥运行结果

代码示例⑥第19行中，生成绘图数据时，同时生成图例名称列表；第37、43行使用multi_line()方法一次性绘制6条曲线，并预定义图例。

代码示例⑦

import numpy as np  
# 数据  
x = np.linspace(0.1, 5, 80)  
# 画布  
p = figure(title="log axis example", y_axis_type="log",  
                    x_range=(0, 5), y_range=(0.001, 10**22),  
                    background_fill_color="#fafafa")  
# 绘图  
p.line(x, np.sqrt(x), legend="y=sqrt(x)",  
            line_color="tomato", line_dash="dashed")  
p.line(x, x, legend="y=x")  
p.circle(x, x, legend="y=x")  
p.line(x, x**2, legend="y=x**2")  
p.circle(x, x**2, legend="y=x**2",  
            fill_color=None, line_color="olivedrab")  
p.line(x, 10**x, legend="y=10^x",  
            line_color="gold", line_width=2)  
p.line(x, x**x, legend="y=x^x",  
            line_dash="dotted", line_color="indigo", line_width=2)  
p.line(x, 10**(x**2), legend="y=10^(x^2)",  
            line_color="coral", line_dash="dotdash", line_width=2)  
# 其他  
p.legend.location = "top_left"  
# 显示  
show(p)

运行结果如图7所示。

▲图7 代码示例⑦运行结果

代码示例⑦与代码示例③相似，第10、19、21行对曲线的属性进行自定义，注意虚线的几种形式('solid', 'dashed', 'dotted', 'dotdash', 'dashdot'),读者可以自行替换测试。

代码示例⑧

from bokeh.models import ColumnDataSource, NumeralTickFormatter, SingleIntervalTicker
from bokeh.sampledata.us_marriages_divorces import data  
# 数据  
data = data.interpolate(method='linear', axis=0).ffill().bfill()  
source = ColumnDataSource(data=dict(  
       year=data.Year.values,  
       marriages=data.Marriages_per_1000.values,  
       divorces=data.Divorces_per_1000.values,  
))  
# 工具条  
TOOLS = 'pan,wheel_zoom,box_zoom,reset,save'  
# 画布  
p = figure(tools=TOOLS, plot_width=800, plot_height=500,  
              tooltips='<font face="Arial" size="3">@$name{0.0} $name per 1,000 people in @year</font>')  
# 其他自定义属性  
p.hover.mode = 'vline'  
p.xaxis.ticker = SingleIntervalTicker(interval=10, num_minor_ticks=0)  
p.yaxis.formatter = NumeralTickFormatter(format='0.0a')  
p.yaxis.axis_label = '# per 1,000 people'  
p.title.text = '144 years of marriage and divorce in the U.S.'  
# 绘图  
p.line('year', 'marriages', color='#1f77b4', line_width=3, source=source, name="marriages")  
p.line('year', 'divorces', color='#ff7f0e', line_width=3, source=source, name="divorces")  
# 显示  
show(p)

运行结果如图8所示。

▲图8 代码示例⑧运行结果

代码示例⑧第22、23行通过line()方法绘制两条曲线，严格上讲这两条曲线并不是Bokeh时间序列的标准绘制方法。第17行定义了x轴刻度的间隔以及中间刻度数，读者可以尝试将num_minor_ticks=10的显示效果与图8进行对比；第18行定义了y轴的数据显示格式。

代码示例⑨

import numpy as np  
from scipy.integrate import odeint  
# 数据  
sigma = 10  
rho = 28  
beta = 8.0/3  
theta = 3 * np.pi / 4  
# 洛伦兹空间向量点生成函数  
def lorenz(xyz, t):  
      x, y, z = xyz  
      x_dot = sigma * (y - x)  
      y_dot = x * rho - x * z - y  
      z_dot = x * y - beta* z  
      return [x_dot, y_dot, z_dot]  
initial = (-10, -7, 35)  
t = np.arange(0, 100, 0.006)  
solution = odeint(lorenz, initial, t)  
x = solution[:, 0]  
y = solution[:, 1]  
z = solution[:, 2]  
xprime = np.cos(theta) * x - np.sin(theta) * y  
# 调色  
colors = ["#C6DBEF", "#9ECAE1", "#6BAED6", "#4292C6", "#2171B5", "#08519C", "#08306B",]  
# 画布  
p = figure(title="Lorenz attractor example", background_fill_color="#fafafa")  
# 绘图 洛伦兹空间向量 
p.multi_line(np.array_split(xprime, 7), np.array_split(z, 7),  
             line_color=colors, line_alpha=0.8, line_width=1.5)  
# 显示  
show(p)

运行结果如图9所示。

▲图9 代码示例⑨运行结果

代码示例⑨使用multi_line()方法在二维空间展示洛伦兹空间向量，示例中的数据生成稍微有点复杂，可以直观感受可视化之下的数据之美，有兴趣的读者可以深入了解。

代码示例⑩

import numpy as np  
from bokeh.layouts import row  
from bokeh.palettes import Viridis3  
from bokeh.models import CheckboxGroup, CustomJS  
# 数据  
x = np.linspace(0, 4 * np.pi, 100)  
# 画布  
p = figure()  
# 折线属性  
props = dict(line_width=4, line_alpha=0.7)  
# 绘图  
l0 = p.line(x, np.sin(x), color=Viridis3[0], legend="Line 0", **props)  
l1 = p.line(x, 4 * np.cos(x), color=Viridis3[1], legend="Line 1", **props)  
l2 = p.line(x, np.tan(x), color=Viridis3[2], legend="Line 2", **props)  
# 复选框激活显示  
checkbox = CheckboxGroup(labels=["Line 0", "Line 1", "Line 2"],  
                         active=[0, 1, 2], width=100)  
checkbox.callback = CustomJS(args=dict(l0=l0, l1=l1, l2=l2, checkbox=checkbox), code=""" 
l0.visible = 0 in checkbox.active; 
l1.visible = 1 in checkbox.active; 
l2.visible = 2 in checkbox.active; 
""")  
# 添加图层  
layout = row(checkbox, p)  
# 显示  
show(layout)

运行结果如图10所示。

▲图10 代码示例⑩运行结果

代码示例⑩增加了Bokeh控件复选框，第12、13、14行使用line()方法绘制3条曲线；第16行定义复选框，并在18行定义回调函数，通过该回调函数控制3条曲线的可视状态；第24行将复选框、绘图并在一行进行显示。

代码示例⑪

from bokeh.models import TapTool, CustomJS, ColumnDataSource  
# 数据  
t = np.linspace(0, 0.1, 100)  
# 回调函数  
code = """ 
// cb_data = {geometries: ..., source: ...} 
const view = cb_data.source.selected.get_view(); 
const data = source.data; 
if (view) { 
      const color = view.model.line_color; 
      data['text'] = ['Selected the ' + color + ' line']; 
      data['text_color'] = [color]; 
      source.change.emit(); 
} 
"""  
source = ColumnDataSource(data=dict(text=['No line selected'], text_color=['black']))  
# 画布  
p = figure(width=600, height=500)  
# 绘图  
l1 = p.line(t, 100*np.sin(t*50), color='goldenrod', line_width=30)  
l2 = p.line(t, 100*np.sin(t*50+1), color='lightcoral', line_width=20)  
l3 = p.line(t, 100*np.sin(t*50+2), color='royalblue', line_width=10)  
# 文本，注意选择线条时候的文字变化  
p.text(0, -100, text_color='text_color', source=source)  
# 调用回调函数进行动态交互  
p.add_tools(TapTool(callback=CustomJS(code=code, args=dict(source=source))))  
# 显示  
show(p)

运行结果如图11所示。

▲图11 代码示例⑪运行结果

代码示例⑪增加点击曲线的交互效果，第20、21、22行使用line()方法绘制3条曲线；第26行定义曲线再次被点击时的效果：图11中左下方会动态显示当前选中的是哪条颜色的曲线。

代码示例⑫

import numpy as np  
from bokeh.models import ColumnDataSource, Plot, LinearAxis, Grid  
from bokeh.models.glyphs import Line  
# 数据  
N = 30  
x = np.linspace(-2, 2, N)  
y = x**2  
source = ColumnDataSource(dict(x=x, y=y))  
# 画布  
plot = Plot(  
       title=None, plot_width=300, plot_height=300,  
#         min_border=0,   
#         toolbar_location=None  
)  
# 绘图  
glyph = Line(x="x", y="y", line_color="#f46d43", line_width=6, line_alpha=0.6)
plot.add_glyph(source, glyph)  
# x轴单独设置（默认）  
xaxis = LinearAxis()  
plot.add_layout(xaxis, 'below')  
# y轴单独设置（默认）  
yaxis = LinearAxis()  
plot.add_layout(yaxis, 'left')  
# 坐标轴刻度  
plot.add_layout(Grid(dimension=0, ticker=xaxis.ticker))  
plot.add_layout(Grid(dimension=1, ticker=yaxis.ticker))  
# 显示  
show(plot)

运行结果如图12所示。