Python資料視覺化：一文看懂折線圖繪製與使用，值得收藏

導讀：資料分析時經常用到的折線圖，你真的懂了嗎？可以用來呈現哪些資料關係？在資料分析過程中可以解決哪些問題？怎樣用Python繪製折線圖？本文逐一為你解答。

作者：屈希峰，資深Python工程師，知乎多個專欄作者

01 概述

折線圖（Line）是將排列在工作表的列或行中的資料進行繪製後形成的線狀圖形。折線圖可以顯示隨時間（根據常用比例設定）而變化的連續資料，非常適用於顯示在相等時間間隔下資料的趨勢。

在折線圖中，資料是遞增還是遞減、增減的速率、增減的規律（週期性、螺旋性等）、峰值等特徵都可以清晰地反映出來。所以，

折線圖常用來分析資料隨時間的變化趨勢，也可用來分析多組資料隨時間變化的相互作用和相互影響。

例如，可用來分析某類商品或是某幾類相關的商品隨時間變化的銷售情況，從而進一步預測未來的銷售情況。在折線圖中，一般水平軸（x軸）用來表示時間的推移，並且間隔相同；而垂直軸（y軸）代表不同時刻的資料的大小。如圖0所示。

▲圖0 折線圖

02 例項

折線圖程式碼示例如下所示。

程式碼示例①

1# 資料  2x = ［1， 2， 3， 4， 5， 6， 7］  3y = ［6， 7， 2， 4， 5， 10， 4］  4# 畫布：座標軸標籤，畫布大小  5p = figure（title=“line example”， x_axis_label=‘x’， y_axis_label=‘y’， width=400， height=400）  6# 繪圖：資料、圖例、線寬  7p。line（x， y， legend=“Temp。”， line_width=2）  # 折線  8# 顯示9show（p）

執行結果如圖1所示。

▲圖1 程式碼示例①執行結果

程式碼示例①仍以最簡單的方式繪製第一張折線圖。line（）方法的引數說明如下。

p.line(x, y, **kwargs)引數說明

x

（：class：`~bokeh。core。properties。NumberSpec` ） ： x座標。

y

（：class：`~bokeh。core。properties。NumberSpec` ） ： y座標。

line_alpha

（：class：`~bokeh。core。properties。NumberSpec` ） ： （default： 1。0） 輪廓線透明度。

line_cap

（ ：class：`~bokeh。core。enums。LineCap` ） ： （default： ‘butt’） 線端。

line_color

（：class：`~bokeh。core。properties。ColorSpec` ） ： （default： ‘black’） 輪廓線顏色，預設：黑色。

line_dash

（：class：`~bokeh。core。properties。DashPattern` ） ： （default： ［］） 虛線，型別可以是序列，也可以是字串（‘solid’， ‘dashed’， ‘dotted’， ‘dotdash’， ‘dashdot’）。

line_dash_offset

（：class：`~bokeh。core。properties。Int` ） ： （default： 0） 虛線偏移。

line_join

（：class：`~bokeh。core。enums。LineJoin` ） ： （default： ‘bevel’）。

line_width

（：class：`~bokeh。core。properties。NumberSpec` ） ： （default： 1） 線寬。

name

（：class：`~bokeh。core。properties。String` ） ： 圖元名稱。

tags

（：class：`~bokeh。core。properties。Any` ） ：圖元標籤。

alpha

（float） ： 一次性設定所有線條的透明度。

color

（Color） ： 一次性設定所有線條的顏色。

source

（ColumnDataSource） ： Bokeh特有資料格式（類似於Pandas Dataframe）。

legend

（str） ： 圖元的圖例。

x_range_name

（str） ： x軸範圍名稱。

y_range_name

（str） ： y軸範圍名稱。

level

（Enum） ： 圖元渲染級別。

程式碼示例②

1p = figure（plot_width=400， plot_height=400）  2# 線段x、y位置點均為列表；兩段線的顏色、透明度、線寬  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）  # 多條折（曲）線5show（p）

執行結果如圖2所示。

▲圖2 程式碼示例②執行結果

程式碼示例②第3行使用multi_line（）方法，實現一次性繪製兩條折線，同時，在引數中定義不同折線的顏色。如果使用Pandas Dataframe，則可以同時繪製不同列的資料。multi_line（）方法的引數說明如下。

p.multi_line(xs, ys, **kwargs)引數說明

xs

（：class：`~bokeh。core。properties。NumberSpec` ） ：x座標，列表。

ys

（：class：`~bokeh。core。properties。NumberSpec` ） ：y座標，列表。

其他引數同line。

程式碼示例③

1# 準備資料   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# 建立畫布   7p = figure（   8      tools=“pan，box_zoom，reset，save”，   9      y_axis_type=“log”， title=“log axis example”，  10      x_axis_label=‘sections’， y_axis_label=‘particles’，  11      width=700， height=350）  12# 增加圖層，繪圖  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# 顯示  20show（p）

執行結果如圖3所示。

▲圖3 程式碼示例③執行結果

程式碼示例③第13、15、16行使用line（）方法逐一繪製折線，該方法的優點是基本資料清晰，可在不同線條繪製過程中直接定義圖例。讀者也可以使用multi_line（）方法一次性繪製三條折線，然後再繪製折線上的資料點。同樣，既可以在函式中預定義圖例，也可以用Lengend方法單獨進行定義，在後會對圖例進行詳細說明。

程式碼示例④

1p。legend。location = “top_left”  # 圖例位於左上  2p。legend。click_policy=“hide” # 點選圖例顯示、隱藏圖形  3show（p）  # 自行測試效果

執行結果如圖4所示。

▲圖4 程式碼示例④執行結果

程式碼示例④在程式碼示例③的基礎上增加了圖例的位置、顯示或隱藏圖形屬性；透過點選圖例，可實現圖形的顯示或隱藏，當折線數目較多或者顏色干擾閱讀時，可以透過該方法實現對某一條折線資料的重點關注。這種透過圖例、工具條、控制元件實現資料人機互動的視覺化方式，正是Bokeh得以在GitHub火熱的原因，建議在工作實踐中予以借鑑。

程式碼示例⑤

1# 資料   2import numpy as np   3x = np。linspace（0， 4*np。pi， 200）   4y1 = np。sin（x）   5y2 = np。cos（x）   6# 將y1+—0。9範圍外的資料設定為無窮大   7y1［y1>+0。9］ = +np。inf   8y1［y1<-0。9］ = -np。inf   9# 將y2+—0。9範圍外的資料採用掩碼陣列或NAN值替換  10y2 = np。ma。masked_array（y2， y2<-0。9）  11y2［y2>0。9］ = np。nan  12# 圖層  13p = figure（title=“lines with missing/inf values”）  14# 繪圖x，y1  15p。line（x， y1， color=“firebrick”， line_width=2）  # 磚紅色  16# 繪圖x，y2  17p。line（x， y2， color=“blue”， line_width=2）  # 藍色  18show（p）

執行結果如圖5所示。

▲圖5 程式碼示例⑤執行結果

程式碼示例⑤第15、16行使用line（）方法繪製兩組不同顏色的曲線。

程式碼示例⑥

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# 資料   8mass_spec = defaultdict（list）  #defaultdict類的初始化函式接受一個list型別作為引數，當所訪問的鍵不存在時，可以例項化一個值作為預設值   9RT_x = np。linspace（118， 123， num=50）  10norm_dist = norm（loc=120。4）。pdf（RT_x）  # loc均值；pdf輸入x，返回機率密度函式  1112# 生成6組高斯分佈的曲線  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# 線條顏色  21mass_spec［‘color’］ = Viridis6  22# 畫布引數  23figure_opts = dict（plot_width=450， plot_height=300）  24hover_opts = dict（  25    tooltips=［（‘MZ’， ‘@MZ_tip’）， （‘Rel Intensity’， ‘@Intensity_tip’）］，  # 滑鼠懸停在曲線上動態顯示資料  26    show_arrow=False，  27    line_policy=‘next’  28）  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  # 線條資料  33）  34# 畫布1  35rt_plot = figure（tools=［HoverTool（**hover_opts）， TapTool（）］， **figure_opts）  36# 同時繪製多條折（曲）線  37rt_plot。multi_line（xs=‘RT’， ys=‘RT_intensity’， legend=“Intensity_tip”， **line_opts）  38# x，y軸標籤  39rt_plot。xaxis。axis_label = “Retention Time （sec）”  40rt_plot。yaxis。axis_label = “Intensity”  41# 畫布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# 顯示  48show（gridplot（［［rt_plot， mz_plot］］））

執行結果如圖6所示。

▲圖6 程式碼示例⑥執行結果

程式碼示例⑥第19行中，生成繪圖資料時，同時生成圖例名稱列表；第37、43行使用multi_line（）方法一次性繪製6條曲線，並預定義圖例。

程式碼示例⑦

1import numpy as np   2# 資料   3x = np。linspace（0。1， 5， 80）   4# 畫布   5p = figure（title=“log axis example”， y_axis_type=“log”，   6                    x_range=（0， 5）， y_range=（0。001， 10**22），   7                    background_fill_color=“#fafafa”）   8# 繪圖   9p。line（x， np。sqrt（x）， legend=“y=sqrt（x）”，  10            line_color=“tomato”， line_dash=“dashed”）  11p。line（x， x， legend=“y=x”）  12p。circle（x， x， legend=“y=x”）  13p。line（x， x**2， legend=“y=x**2”）  14p。circle（x， x**2， legend=“y=x**2”，  15            fill_color=None， line_color=“olivedrab”）  16p。line（x， 10**x， legend=“y=10^x”，  17            line_color=“gold”， line_width=2）  18p。line（x， x**x， legend=“y=x^x”，  19            line_dash=“dotted”， line_color=“indigo”， line_width=2）  20p。line（x， 10**（x**2）， legend=“y=10^（x^2）”，  21            line_color=“coral”， line_dash=“dotdash”， line_width=2）  22# 其他  23p。legend。location = “top_left”  24# 顯示  25show（p）

執行結果如圖7所示。

▲圖7 程式碼示例⑦執行結果

程式碼示例⑦與程式碼示例③相似，第10、19、21行對曲線的屬性進行自定義，注意虛線的幾種形式（‘solid’， ‘dashed’， ‘dotted’， ‘dotdash’， ‘dashdot’），讀者可以自行替換測試。

程式碼示例⑧

1from bokeh。models import ColumnDataSource， NumeralTickFormatter， SingleIntervalTicker 2from bokeh。sampledata。us_marriages_divorces import data   3# 資料   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，   9））  10# 工具條  11TOOLS = ‘pan，wheel_zoom，box_zoom，reset，save’  12# 畫布  13p = figure（tools=TOOLS， plot_width=800， plot_height=500，  14              tooltips=‘@$name{0。0} $name per 1，000 people in @year’）  15# 其他自定義屬性  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# 繪圖  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# 顯示  25show（p）

執行結果如圖8所示。

▲圖8 程式碼示例⑧執行結果

程式碼示例⑧第22、23行透過line（）方法繪製兩條曲線，嚴格上講這兩條曲線並不是Bokeh時間序列的標準繪製方法。第17行定義了x軸刻度的間隔以及中間刻度數，讀者可以嘗試將num_minor_ticks=10的顯示效果與圖8進行對比；第18行定義了y軸的資料顯示格式。

程式碼示例⑨

1import numpy as np   2from scipy。integrate import odeint   3# 資料   4sigma = 10   5rho = 28   6beta = 8。0/3   7theta = 3 * np。pi / 4   8# 洛倫茲空間向量點生成函式   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# 調色  23colors = ［“#C6DBEF”， “#9ECAE1”， “#6BAED6”， “#4292C6”， “#2171B5”， “#08519C”， “#08306B”，］  24# 畫布  25p = figure（title=“Lorenz attractor example”， background_fill_color=“#fafafa”）  26# 繪圖 洛倫茲空間向量 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# 顯示  30show（p）

執行結果如圖9所示。

▲圖9 程式碼示例⑨執行結果

程式碼示例⑨使用multi_line（）方法在二維空間展示洛倫茲空間向量，示例中的資料生成稍微有點複雜，可以直觀感受視覺化之下的資料之美，有興趣的讀者可以深入瞭解。

程式碼示例⑩

1import numpy as np   2from bokeh。layouts import row   3from bokeh。palettes import Viridis3   4from bokeh。models import CheckboxGroup， CustomJS   5# 資料   6x = np。linspace（0， 4 * np。pi， 100）   7# 畫布   8p = figure（）   9# 折線屬性  10props = dict（line_width=4， line_alpha=0。7）  11# 繪圖  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# 複選框啟用顯示  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# 新增圖層  24layout = row（checkbox， p）  25# 顯示  26show（layout）

執行結果如圖10所示。

▲圖10 程式碼示例⑩執行結果

程式碼示例⑩增加了Bokeh控制元件複選框，第12、13、14行使用line（）方法繪製3條曲線；第16行定義複選框，並在18行定義回撥函式，透過該回調函式控制3條曲線的可視狀態；第24行將複選框、繪圖並在一行進行顯示。

程式碼示例⑪

1from bokeh。models import TapTool， CustomJS， ColumnDataSource   2# 資料   3t = np。linspace（0， 0。1， 100）   4# 回撥函式   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（）； 14} 15”“”  16source = ColumnDataSource（data=dict（text=［‘No line selected’］， text_color=［‘black’］））  17# 畫布  18p = figure（width=600， height=500）  19# 繪圖  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# 文字，注意選擇線條時候的文字變化  24p。text（0， -100， text_color=‘text_color’， source=source）  25# 呼叫回撥函式進行動態互動  26p。add_tools（TapTool（callback=CustomJS（code=code， args=dict（source=source））））  27# 顯示  28show（p）

執行結果如圖11所示。

▲圖11 程式碼示例⑪執行結果

程式碼示例⑪增加點選曲線的互動效果，第20、21、22行使用line（）方法繪製3條曲線；第26行定義曲線再次被點選時的效果：圖11中左下方會動態顯示當前選中的是哪條顏色的曲線。

程式碼示例⑫

1import numpy as np   2from bokeh。models import ColumnDataSource， Plot， LinearAxis， Grid   3from bokeh。models。glyphs import Line   4# 資料   5N = 30   6x = np。linspace（-2， 2， N）   7y = x**2   8source = ColumnDataSource（dict（x=x， y=y））   9# 畫布  10plot = Plot（  11       title=None， plot_width=300， plot_height=300，  12#         min_border=0，   13#         toolbar_location=None  14）  15# 繪圖  16glyph = Line（x=“x”， y=“y”， line_color=“#f46d43”， line_width=6， line_alpha=0。6）17plot。add_glyph（source， glyph）  18# x軸單獨設定（預設）  19xaxis = LinearAxis（）  20plot。add_layout（xaxis， ‘below’）  21# y軸單獨設定（預設）  22yaxis = LinearAxis（）  23plot。add_layout（yaxis， ‘left’）  24# 座標軸刻度  25plot。add_layout（Grid（dimension=0， ticker=xaxis。ticker））  26plot。add_layout（Grid（dimension=1， ticker=yaxis。ticker））  27# 顯示  28show（plot）

執行結果如圖12所示。

▲圖12 程式碼示例⑫執行結果

程式碼示例⑫使用models介面進行曲線繪製，注意第10、17、20行的繪製方法，這種繪圖方式在實踐中基本很少用到，僅作了解。

本文摘編自《Python資料視覺化：基於Bokeh的視覺化繪圖》，經出版方授權釋出。

延伸閱讀《Python資料視覺化》

推薦語：

從圖形繪製、資料動態展示、Web互動等維度全面講解Bokeh功能和使用，不含複雜資料處理和演算法，深入淺出，適合零基礎入門，包含大量案例。