绘制标准化特征曲线

import pandas as pd
import numpy as np
df=pd.read_excel(r".\test\data.xlsx",sheet_name="时间序列逐时数据")
df=df.sort_values(by="时间", ascending=True)
df=df.replace("",np.NaN)
df["时间"]=pd.date_range(start="2019/1/1",periods=8760,freq="h")
df.head()

#全部列数
C=len(df.columns[1:])
# # #数据记录长度
L=len(df.时间)
#删除含有空值的列
df_1=df.dropna(axis=1, how='all', thresh=L*0.70, subset=None, inplace=False)
display(df_1)
#删除空值列剩余的列数
C1=len(df_1.columns[1:])
print("删除缺失值列前后对比:",(C,C1))
#待分析逐时特征值
df_2=df_1.set_index("时间").T
df_2.index=list(map(lambda x: x[8:],list(df_1.columns[1:])))#截取列中需要的字段
df_3=df_2.T.reset_index()
df_3["时间"]=df_3["时间"].apply(lambda x:x.hour)
df_3=df_3.groupby("时间",as_index=False).mean()
df_3

#去除特征值为0的列
df_4=df_3.copy().replace(0,np.NaN)
df_4["时间"]=df_3.时间.values
L_1=len(df_4.时间)
df_4=df_4.dropna(axis=1, how='all', thresh=L_1*0.80, subset=None, inplace=False)
df_5=df_4.replace(np.NaN,0)
df_5

from sklearn.preprocessing import OneHotEncoder, MinMaxScaler
from sklearn import preprocessing

X = df_5.iloc[:,1:].values
min_max_scaler = preprocessing.MinMaxScaler()
X_minmax = min_max_scaler.fit_transform(X)
X1=pd.DataFrame(X_minmax)
X1.columns=df_5.columns[1:]
X1["时间"]=df_5.时间.values
X2=X1.set_index("时间")
display(X2)

方法一：利用sns模块的lineplot方法
import matplotlib.pyplot as plt 
import seaborn as sns
plt.rcParams["font.sans-serif"]=['SimHei',"Microsoft YaHei"]
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
#构建分类筛选需要分析的特征，这里在excel里面根据特征指定编号对应分类一下，便于后续分类筛选列。
fxzl=pd.read_excel(r".\test\分类编码.xlsx")
#分类1
fxzl_1=fxzl[fxzl.分类编号==291]["特征名称"].to_list()[:8]#此处限制显示8列，lineplot方法marks好像不能超过8个，不然会报错。
#分类2
fxzl_2=fxzl[fxzl.分类编号==295]["特征名称"].to_list()
#分类3
fxzl_3=fxzl[fxzl.分类编号==315]["特征名称"].to_list()
#分类4
fxzl_4=fxzl[fxzl.分类编号==329]["特征名称"].to_list()
fxzl_list=[fxzl_1,fxzl_2,fxzl_3,fxzl_4]
fxmc_list=["分类1","分类2"," 分类3","分类4"]

for i in range(4):
    X3=X2[fxzl_list[i]]
    L_3=len(X3.columns)
    zl=list(X3.columns)
    plt.figure(figsize=(10,6), dpi= 80)
    %config InlineBackend.figure_format='svg'
    sns.lineplot(data=X3,markers=True, dashes=False)
    plt.xticks(X2.index, fontsize=10, horizontalalignment='center')
    plt.yticks(fontproperties = 'Times New Roman',size = 12)
    plt.xticks(fontproperties = 'Times New Roman',size = 12)
    plt.xlabel("时间(h)",fontsize=14)
    plt.ylim(0,1,0.1)
    plt.legend(loc='upper left',edgecolor='none',facecolor='none')
    plt.title("{}".format(fxmc_list[i]),loc="center")
    ax = plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    plt.show() 

方法二：直接利用plt.plot()方法
markers=["o",".","<","p","+","D",">","*","x","H","_","s","d","v",]   
colors= ['b','g','r','c','m','y','violet', 'wheat','whitesmoke',"yellowgreen",] 
for k in range(4):
    X3=X2[fxzl_list[k]]
    zl=list(X3.columns)
    %config InlineBackend.figure_format='svg'
    fig =plt.figure(figsize=(10,6), dpi=80)
    for i in range(len(zl)): 
        plt.plot(X2.index,X2[["{}".format(zl[i])]], 
                 marker=markers[i], markerfacecolor=colors[i], markersize=5,markeredgewidth=0.5,
                  color=colors[i], linewidth=0.5, linestyle="-",label=zl[i]
                )
    np.set_printoptions(precision=2)
    # # 设置横轴记号
    plt.xticks(np.linspace(0,23,24,endpoint=True,dtype=int),fontproperties = 'Times New Roman',fontsize=12)
    # # 设置纵轴的上下限
    plt.yticks(fontproperties = 'Times New Roman',fontsize=12)

    plt.xlabel('时间', fontdict={'color': 'black',
                                 'family': "Microsoft YaHei",
                                 'weight': 'normal',
                                 'size': 14})
    plt.ylabel('', fontdict={'color': 'black',
                              'fontstyle': 'normal',
                              'family': ['Times New Roman'],
                              'weight': 'normal',
                              'size': 14})
    plt.xlim(-1,24,23)
    plt.ylim(0,1,0.1)

    plt.legend(loc='upper left',edgecolor='none',facecolor='none')
    plt.title("{}".format(fxmc_list[k]),loc="center")

    ax = plt.gca()
    ax.spines['right'].set_color('none')
    ax.spines['top'].set_color('none')
    plt.show()

seaborn.lineplot(x=None, y=None, hue=None, 
                 size=None, style=None, data=None,
                 palette=None, hue_order=None, hue_norm=None, 
                 sizes=None, size_order=None, size_norm=None, 
                 dashes=True, markers=None, style_order=None, 
                 units=None, estimator='mean', ci=95, n_boot=1000,
                 sort=True, err_style='band', err_kws=None,
                 legend='brief', ax=None, **kwargs)
参数说明：
data:是DataFrame类型的;
#以下均为可选项：
x,y：数据中变量的名称;
hue:数据中变量名称(比如：二维数据中的列名)，对将要生成不同颜色的线进行分组，可以是分类或数据。
size:数据中变量名称(比如：二维数据中的列名)，对将要生成不同宽度的线进行分组，可以是分类或数据。
style:数据中变量名称(比如：二维数据中的列名)，对将生成具有不同破折号、或其他标记的变量进行分组。
palette:调试板名称，列表或字典类型，设置hue指定的变量的不同级别颜色。
hue_order:列表(list)类型，指定hue变量出现的指定顺序，否则他们是根据数据确定的。
hue_norm:tuple或Normalize对象
sizes:list dict或tuple类型，设置线宽度，当其为数字时，它也可以是一个元组，指定要使用的最大和最小值，会自动在该范围内对其他值进行规范化。
units:对变量识别抽样单位进行分组，使用时，将为每个单元绘制一个单独的行。
estimator:pandas方法的名称或回调函数或者None，用于在同一x水平上聚合y变量的多个观察值的方法，如果为None，则将绘制所有观察结果。

#