来源:大数据DT
本文约
5400字
,建议阅读
10
分钟
本文为你介绍数据分析时经常用到的折线图,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?
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。
1# 数据
2x = [1, 2, 3, 4, 5, 6, 7]
3y = [6, 7, 2, 4, 5, 10, 4]
4# 画布:坐标轴标签,画布大小
5p = figure(title="line example", x_axis_label='x', y_axis_label='y', width=400, height=400)
6# 绘图:数据、图例、线宽
7p.line(x, y, legend="Temp.", line_width=2) # 折线
8# 显示
9show(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。
-
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。
1p = figure(plot_width=400, plot_height=400)
2# 线段x、y位置点均为列表;两段线的颜色、透明度、线宽
3p.multi_line([[1, 3, 2], [3, 4, 6, 6]], [[2, 1, 4], [4, 7, 8, 5]],
4color=["firebrick", "navy"], alpha=[0.8, 0.3], line_width=4) # 多条折(曲)线
5show(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。
其他参数同line。
1# 准备数据
2x = [0.1, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0]
3y0 = [i**2 for i in x]
4y1 = [10**i for i in x]
5y2 = [10**(i**2) for i in x]
6# 创建画布
7p = figure(
8 tools="pan,box_zoom,reset,save",
9 y_axis_type="log", title="log axis example",
10 x_axis_label='ps', y_axis_label='particles',
11 width=700, height=350)
12# 增加图层,绘图
13p.line(x, x, legend="y=x")
14p.circle(x, x, legend="y=x", fill_color="white", size=8)
15p.line(x, y0, legend="y=x^2", line_width=3)
16p.line(x, y1, legend="y=10^x", line_color="red")
17p.circle(x, y1, legend="y=10^x", fill_color="red", line_color="red", size=6)
18p.line(x, y2, legend="y=10^x^2", line_color="orange", line_dash="4 4")
19# 显示
20show(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,在后面会对图例进行详细说明。
1p.legend.location = "top_left" # 图例位于左上
2p.legend.click_policy="hide" # 点击图例显示、隐藏图形
3show(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。
1# 数据
2import numpy as np
3x = np.linspace(0, 4*np.pi, 200)
4y1 = np.sin(x)
5y2 = np.cos(x)
6# 将y1+—0.9范围外的数据设置为无穷大
7y1[y1>+0.9] = +np.inf
8y1[y1<-0.9] = -np.inf
9# 将y2+—0.9范围外的数据采用掩码数组或NAN值替换
10y2 = np.ma.masked_array(y2, y2<-0.9)
11y2[y2>0.9] = np.nan
12# 图层
13p = figure(title="lines with missing/inf values")
14# 绘图x,y1
15p.line(x, y1, color="firebrick", line_width=2) # 砖红色
16# 绘图x,y2
17p.line(x, y2, color="blue", line_width=2) # 蓝色
18show(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。
1import numpy as np
2from collections import defaultdict
3from scipy.stats import norm
4from bokeh.models import HoverTool, TapTool
5from bokeh.layouts import gridplot
6from bokeh.palettes import Viridis6
7# 数据
8mass_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
9RT_x = np.linspace(118, 123, num=50)
10norm_dist = norm(loc=120.4).pdf(RT_x) # loc均值;pdf输入x,返回概率密度函数
12# 生成6组高斯分布的曲线
13for scale, mz in [(1.0, 83), (0.9, 55), (0.6, 98), (0.4, 43), (0.2, 39), (0.12, 29)]:
14 mass_spec["RT"].append(RT_x)
15 mass_spec["RT_intensity"].append(norm_dist * scale)
16 mass_spec["MZ"].append([mz, mz])
17 mass_spec["MZ_intensity"].append([0, scale])
18 mass_spec['MZ_tip'].append(mz)
19 mass_spec['Intensity_tip'].append(scale)
20# 线条颜色
21mass_spec['color'] = Viridis6
22# 画布参数
23figure_opts = dict(plot_width=450, plot_height=300)
24hover_opts = dict(
25 tooltips=[('MZ', '@MZ_tip'), ('Rel Intensity', '@Intensity_tip')], # 鼠标悬停在曲线上动态显示数据
26 show_arrow=False,
27 line_policy='next'
29line_opts = dict(
30 line_width=5, line_color='color', line_alpha=0.6,
31 hover_line_color='color', hover_line_alpha=1.0,
32 source=mass_spec # 线条数据
34# 画布1
35rt_plot = figure(tools=[HoverTool(**hover_opts), TapTool()], **figure_opts)
36# 同时绘制多条折(曲)线
37rt_plot.multi_line(xs='RT', ys='RT_intensity', legend="Intensity_tip", **line_opts)
38# x,y轴标签
39rt_plot.xaxis.axis_label = "Retention Time (sec)"
40rt_plot.yaxis.axis_label = "Intensity"
41# 画布2
42mz_plot = figure(tools=[HoverTool(**hover_opts), TapTool()], **figure_opts)
43mz_plot.multi_line(xs='MZ', ys='MZ_intensity', legend="Intensity_tip", **line_opts)
44mz_plot.legend.location = "top_center"
45mz_plot.xaxis.axis_label = "MZ"
46mz_plot.yaxis.axis_label = "Intensity"
47# 显示
48show(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。
1from bokeh.models import ColumnDataSource, NumeralTickFormatter, SingleIntervalTicker
2from bokeh.sampledata.us_marriages_divorces import data
3# 数据
4data = data.interpolate(method='linear', axis=0).ffill().bfill()
5source = ColumnDataSource(data=dict(
6 year=data.Year.values,
7 marriages=data.Marriages_per_1000.values,
8 divorces=data.Divorces_per_1000.values,
10# 工具条
11TOOLS = 'pan,wheel_zoom,box_zoom,reset,save'
12# 画布
13p = figure(tools=TOOLS, plot_width=800, plot_height=500,
14 tooltips='<font face="Arial" size="3">@$name{0.0} $name per 1,000 people in @year</font>')
15# 其他自定义属性
16p.hover.mode = 'vline'
17p.xaxis.ticker = SingleIntervalTicker(interval=10, num_minor_ticks=0)
18p.yaxis.formatter = NumeralTickFormatter(format='0.0a')
19p.yaxis.axis_label = '# per 1,000 people'
20p.title.text = '144 years of marriage and divorce in the U.S.'
21# 绘图
22p.line('year', 'marriages', color='#1f77b4', line_width=3, source=source, name="marriages")
23p.line('year', 'divorces', color='#ff7f0e', line_width=3, source=source, name="divorces")
24# 显示
25show(p)
运行结果如图7所示。
▲图7 代码示例⑦运行结果
代码示例⑦与代码示例③相似,第10、19、21行对曲线的属性进行自定义,注意虚线的几种形式('solid', 'dashed', 'dotted', 'dotdash', 'dashdot'),读者可以自行替换测试。
1from bokeh.models import ColumnDataSource, NumeralTickFormatter, SingleIntervalTicker
2from bokeh.sampledata.us_marriages_divorces import data
3# 数据
4data = data.interpolate(method='linear', axis=0).ffill().bfill()
5source = ColumnDataSource(data=dict(
6 year=data.Year.values,
7 marriages=data.Marriages_per_1000.values,
8 divorces=data.Divorces_per_1000.values,
10# 工具条
11TOOLS = 'pan,wheel_zoom,box_zoom,reset,save'
12# 画布
13p = figure(tools=TOOLS, plot_width=800, plot_height=500,
14 tooltips='<font face="Arial" size="3">@$name{0.0} $name per 1,000 people in @year</font>')
15# 其他自定义属性
16p.hover.mode = 'vline'
17p.xaxis.ticker = SingleIntervalTicker(interval=10, num_minor_ticks=0)
18p.yaxis.formatter = NumeralTickFormatter(format='0.0a')
19p.yaxis.axis_label = '# per 1,000 people'
20p.title.text = '144 years of marriage and divorce in the U.S.'
21# 绘图
22p.line('year', 'marriages', color='#1f77b4', line_width=3, source=source, name="marriages")
23p.line('year', 'divorces', color='#ff7f0e', line_width=3, source=source, name="divorces")
24# 显示
25show(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。
1import numpy as np
2from scipy.integrate import odeint
3# 数据
4sigma = 10
5rho = 28
6beta = 8.0/3
7theta = 3 * np.pi / 4
8# 洛伦兹空间向量点生成函数
9def lorenz(xyz, t):
10 x, y, z = xyz
11 x_dot = sigma * (y - x)
12 y_dot = x * rho - x * z - y
13 z_dot = x * y - beta* z
14 return [x_dot, y_dot, z_dot]
15initial = (-10, -7, 35)
16t = np.arange(0, 100, 0.006)
17solution = odeint(lorenz, initial, t)
18x = solution[:, 0]
19y = solution[:, 1]
20z = solution[:, 2]
21xprime = np.cos(theta) * x - np.sin(theta) * y
22# 调色
23colors = ["#C6DBEF", "#9ECAE1", "#6BAED6", "#4292C6", "#2171B5", "#08519C", "#08306B",]
24# 画布
25p = figure(title="Lorenz attractor example", background_fill_color="#fafafa")
26# 绘图 洛伦兹空间向量
27p.multi_line(np.array_split(xprime, 7), np.array_split(z, 7),
28 line_color=colors, line_alpha=0.8, line_width=1.5)
29# 显示
30show(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。
1import numpy as np
2from bokeh.layouts import row
3from bokeh.palettes import Viridis3
4from bokeh.models import CheckboxGroup, CustomJS
5# 数据
6x = np.linspace(0, 4 * np.pi, 100)
7# 画布
8p = figure()
9# 折线属性
10props = dict(line_width=4, line_alpha=0.7)
11# 绘图
12l0 = p.line(x, np.sin(x), color=Viridis3[0], legend="Line 0", **props)
13l1 = p.line(x, 4 * np.cos(x), color=Viridis3[1], legend="Line 1", **props)
14l2 = p.line(x, np.tan(x), color=Viridis3[2], legend="Line 2", **props)
15# 复选框激活显示
16checkbox = CheckboxGroup(labels=["Line 0", "Line 1", "Line 2"],
17 active=[0, 1, 2], width=100)
18checkbox.callback = CustomJS(args=dict(l0=l0, l1=l1, l2=l2, checkbox=checkbox), code="""
19l0.visible = 0 in checkbox.active;
20l1.visible = 1 in checkbox.active;
21l2.visible = 2 in checkbox.active;
22""")
23# 添加图层
24layout = row(checkbox, p)
25# 显示
26show(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。
1from bokeh.models import TapTool, CustomJS, ColumnDataSource
2# 数据
3t = np.linspace(0, 0.1, 100)
4# 回调函数
5code = """
6// cb_data = {geometries: ..., source: ...}
7const view = cb_data.source.selected.get_view();
8const data = source.data;
9if (view) {
10 const color = view.model.line_color;
11 data['text'] = ['Selected the ' + color + ' line'];
12 data['text_color'] = [color];
13 source.change.emit();
15"""
16source = ColumnDataSource(data=dict(text=['No line selected'], text_color=['black']))
17# 画布
18p = figure(width=600, height=500)
19# 绘图
20l1 = p.line(t, 100*np.sin(t*50), color='goldenrod', line_width=30)
21l2 = p.line(t, 100*np.sin(t*50+1), color='lightcoral', line_width=20)
22l3 = p.line(t, 100*np.sin(t*50+2), color='royalblue', line_width=10)
23# 文本,注意选择线条时候的文字变化
24p.text(0, -100, text_color='text_color', source=source)
25# 调用回调函数进行动态交互
26p.add_tools(TapTool(callback=CustomJS(code=code, args=dict(source=source))))
27# 显示
28show(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。
1import numpy as np
2from bokeh.models import ColumnDataSource, Plot, LinearAxis, Grid
3from bokeh.models.glyphs import Line
4# 数据
5N = 30
6x = np.linspace(-2, 2, N)
7y = x**2
8source = ColumnDataSource(dict(x=x, y=y))
9# 画布
10plot = Plot(
11 title=None, plot_width=300, plot_height=300,
12# min_border=0,
13# toolbar_location=None
15# 绘图
16glyph = Line(x="x", y="y", line_color="#f46d43", line_width=6, line_alpha=0.6)
17plot.add_glyph(source, glyph)
18# x轴单独设置(默认)
19xaxis = LinearAxis()
20plot.add_layout(xaxis, 'below')
21# y轴单独设置(默认)
22yaxis = LinearAxis()
23plot.add_layout(yaxis, 'left')
24# 坐标轴刻度
25plot.add_layout(Grid(dimension=0, ticker=xaxis.ticker))
26plot.add_layout(Grid(dimension=1, ticker=yaxis.ticker))
27# 显示
28show(plot)
运行结果如图12所示。
▲图12 代码示例⑫运行结果
代码示例⑫使用models接口进行曲线绘制,注意第10、17、20行的绘制方法,这种绘图方式在实践中基本很少用到,仅作了解。
关于作者:
屈希峰,资深Python工程师,Bokeh领域的实践者和布道者,对Bokeh有深入的研究。擅长Flask、MongoDB、Sklearn等技术,实践经验丰富。知乎多个专栏(Python中文社区、Python程序员、大数据分析挖掘)作者,专栏累计关注用户十余万人。
本文摘编自《Python数据可视化:基于Bokeh的可视化绘图》,经出版方授权发布。
编辑:于腾凯
校对:吕艳琴![](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9oZVM2d1JTSFZNbUNHSmxmTGlhMExCelYxWHlLaWMyQUhvRFNYMmRQT0lWbk56NkRrc1hwR0VldmRrYXhpY0hKSHBDYkkxSm5WR1BzejBwTXFhdGR1QkRrZy82NDA?x-oss-process=image/format,png)
来源:大数据DT本文约5400字,建议阅读10分钟本文为你介绍数据分析时经常用到的折线图,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?01 ...
import matplotlib.pyplot as plt #导入图像库
plt.rcParams['font.sans-serif'] = ['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
plt.figure(figsize = (7,5)) #创建图像...
文章目录系列文章3.1 Matplotlib之Hello World1 Matplotlib介绍2 Matplotlib画图流程3.2 基础绘图功能(以折线图为例)1 坐标刻度、标签、网格、图像保存2 在一个坐标系里绘制多个图3 在一个图里绘制多个坐标系3.3 常见图形绘制1 折线图2 散点图3 柱状图4 直方图5 饼图6 特殊柱状图两条柱状图水平柱状图堆叠柱状图
机器学习入门 01 —— 机器学习概述
机器学习入门 02 —— 环境搭建(Jupyter Notebook 及扩展库的安装与使用)