python折线图纵坐标刻度 python 折线图

《python 数据可视化基础》第一章 折线图

本章节内容包括以下几方面内容：

1. 绘制曲线 $y=x^2$;
2. 让曲线更加光滑；
3. 常见的相关属性设置；
4. 多条折线图的绘制；
5. 折线图之间的颜色填充；
6. 时间序列可视化；
7. 常见问题归纳。

1.1 绘制曲线 y = x 2 y=x^2 y=x2

代码非常简单，如下所示：

"""绘制曲线 y = x^2"""
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    x = np.linspace(0, 10, 5)
    y = np.square(x)
    plt.plot(x, y)
    plt.show()

1.2 让曲线更加光滑

从折线图到光滑的曲线图比较简单，那就是在它们直接插入一些相同趋势的点即可，具体而言在上面代码中更改一个数字即可。

"""绘制曲线 y = x^2"""
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    x = np.linspace(0, 10, 20)
    y = np.square(x)
    plt.plot(x, y)
    plt.show()

1.3 添加一些图片常用属性

包括 $x$ 轴标题，$y$

"""绘制曲线 y = x^2"""
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    x = np.linspace(0, 10, 20)
    y = np.square(x)
    plt.plot(x, y)
    plt.title("demo y=x*x")
    plt.ylabel("y")
    plt.xlabel("x")
    plt.show()

1.4 绘制多条曲线

"""绘制曲线 y = x^2"""
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    x = np.linspace(0, 1.5, 100)
    y1 = np.square(x)
    y2 = np.sqrt(x)
    plt.plot(x, y1)
    plt.plot(x, y2)
    methods = ["y=x^2", "y=sqrt(x)"]
    # 根据实际需要设定标签名字以及对应的位置，不填写时将会自动选择合适的位置
    plt.legend(methods, loc='upper left')
    plt.title("demo y=x*x")
    plt.ylabel("y")
    plt.xlabel("x")
    plt.show()

1.5 曲线之间填充

根据实际需求进行调整绘制

"""fill_between示例"""
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    x = np.linspace(0, 1, 16)
    y1 = x * x
    y2 = x
    plt.fill_between(x, y1, y2, alpha=.5, linewidth=0)
    plt.show()

1.6 时间序列可视化

时间序列数据的绘制不同之处在于 x 轴显示的是时间，之所以特地摘出来是因为这部分内容常常需要一些处理技巧。比如将原本的时间戳替换成为 2022-10-21 23:00:23 这种格式，亦或者替换成为只显示时间的如 22:00 24:00 等。

数据集可以随便选一个数据集，cpu4.csv 文件，下载地址为 蓝奏云， 亦或者前去 github 下载，地址为：https://github.com/NetManAIOps/donut/blob/master/sample_data/cpu4.csv

1.6.1 直接绘制

"""时间序列数据示例"""
import pandas as pd
from matplotlib import pyplot as plt

if __name__ == '__main__':
    df = pd.read_csv("../data/cpu4.csv")
    timestamps = df["timestamp"].values
    values = df["value"].values
    # 开始绘制
    plt.plot(timestamps, values)
    plt.title("time series demo")
    plt.xlabel("timestamp")
    plt.ylabel("value")
    plt.show()

1.6.2 调整尺寸

"""时间序列数据示例-调整尺寸"""
import pandas as pd
from matplotlib import pyplot as plt


if __name__ == '__main__':
    df = pd.read_csv("../data/cpu4.csv")
    timestamps = df["timestamp"].values
    values = df["value"].values
    # 开始绘制
    plt.figure(figsize=(20, 6))
    plt.plot(timestamps, values)
    plt.title("time series demo")
    plt.xlabel("timestamp")
    plt.ylabel("value")
    plt.show()

1.6.3 设置 x 轴标签为日期

"""时间序列数据示例-调整尺寸"""
import pandas as pd
from matplotlib import pyplot as plt


if __name__ == '__main__':
    df = pd.read_csv("../data/cpu4.csv")
    timestamps = df["timestamp"].values
    values = df["value"].values
    # 格式转换
    datetime = pd.to_datetime(timestamps, unit="s")
    plt.figure(figsize=(20, 6))
    plt.plot(datetime, values)
    plt.title("time series demo")
    plt.xlabel("datetime")
    plt.ylabel("value")
    plt.show()

效果如图所示：

1.6.4 缩短数据长度自动显示日期与时辰

我们对数据进行切片，只显示一部分数据，处理后代码如下：

"""时间序列数据示例-调整尺寸"""
import pandas as pd
from matplotlib import pyplot as plt


if __name__ == '__main__':
    df = pd.read_csv("../data/cpu4.csv")
    timestamps = df["timestamp"].values[:40]
    values = df["value"].values[:40]
    # 开始绘制
    datetime = pd.to_datetime(timestamps, unit="s")
    plt.figure(figsize=(20, 6))
    plt.plot(datetime, values)
    plt.title("time series demo")
    plt.xlabel("datetime")
    plt.ylabel("value")
    plt.show()

输出图片为：

1.6.5 个性化处理时间格式

这部分内容需要自己根据实际需求处理一下时间的显示格式，操作也同样简单，主要是这一行代码控制格式：

plt.gca().xaxis.set_major_formatter(mdate.DateFormatter("%H:%M"))，其中 mdate 来自于 matplotlib.dates。

具体内容请看代码：

"""时间序列数据示例-调整尺寸"""
import time

import dateutil
import pandas as pd
from matplotlib import pyplot as plt
import matplotlib.dates as mdate

if __name__ == '__main__':
    df = pd.read_csv("../data/cpu4.csv")
    timestamps = df["timestamp"].values[:20]
    values = df["value"].values[:20]
    # 开始绘制
    datetime_array = pd.to_datetime(timestamps, unit="s")
    plt.figure(figsize=(20, 6), dpi=100)
    # 注意这一行是控制格式的关键
    plt.gca().xaxis.set_major_formatter(mdate.DateFormatter("%H:%M"))
    plt.plot(datetime_array, values)
    plt.title("time series demo")
    plt.xlabel("datetime")
    plt.ylabel("value")
    plt.show()

效果如图所示：

1.7 常见问题收录

1.7.1 数据长度不等

如果 x 轴与 y 轴数据长度不等则会提示错。解决方法即通过删除、填充等方法保证长度保持一致。

1.7.2 绘制图片不够高清

本博客中用到的图片也属于这种情况，不够高清。但编写的主要目的是对一些常见折线图做简单总结。如果需要让图片更加高清，一般可以考虑以下几个方法：

• 调整图片尺寸；
• 设置 dpi，如 plt.figure(figsize=(20, 10), dpi=100)；
• 保存图片的格式更改为 pdf 或 svg 或 eps；矢量图支持无限放大，比较方便。

1.8 总结

折线图的绘制是最简单的可视化方法之一，可以用来描述数据的变化、对比数据的变化、数据与数据在各个时刻（或其他状态）的差异等等。

更多例子后面将会陆续补充，如果有任何问题欢迎留言 ~ 希望可以帮助到各位小伙伴，感谢阅读 ~

如果觉得不错的话，请给本篇博客点个 赞 👍🏻 吧 ~ 感谢 ~

Smileyan
2022.10.21 13:01