折线图的奥妙变奏：四种创意可视化方法

想象一下折线图就像一条寻常的公路，它能带我们从A点到达B点。
但偶尔我们须要更特殊的门路：环岛、盘山公路、波浪形赛道或螺旋上升的通道。
在数据可视化中，标准的折线图偶尔无法充实展示数据的特性，这时我们就须要一些创意变种。
本日将先容四种特殊的折线图变体，它们各有所长，能让你的数据故事更加生动。
1. 圆形折线图：时间的循环

如果把寻常的折线图首尾相连，放在圆形坐标系中，就得到了圆形折线图。
它特殊恰当展示周期性数据，好比一天24小时的温度变革、一周七天的贩卖数据，大概一年四序的气候模式。
它的实现原理是：使用极坐标体系，将角度代表时间或种别，半径代表数值巨细。
在matplotlib中，只须要创建一个极坐标子图，然后像寻常折线图一样绘制即可。

1. # 圆形折线图
2. # 数据准备
3. hours = np.linspace(0, 2 * np.pi, 24, endpoint=False)
4. values = [] # ....
5. # 闭合数据
6. values_cycle = np.concatenate((values, [values[0]]))
7. hours_cycle = np.concatenate((hours, [hours[0]]))
8. hour_labels = [f"{h}点" for h in range(24)]
10. fig = plt.figure(figsize=(14, 6))
12. # --- 左图：普通折线图 ---
13. ax1 = fig.add_subplot(121)
14. ax1.plot(range(24), values, marker="o", color="#FF6B6B")
15. # 省略...
17. # --- 右图：圆形折线图 ---
18. ax2 = fig.add_subplot(122, projection="polar")
19. ax2.plot(hours_cycle, values_cycle, linewidth=2, color="#FF6B6B")
20. # 省略...
22. plt.show()

复制代码

圆形折线图在这种场景下的上风在于 周期性的闭环感。

• 左图（寻常）： 像把这一天的时间堵截了，23:00 和 00:00 分隔在两端，看不出它们着实紧挨着。
  
• 右图（圆形）： 美满闭合。你能直观地感受到“深夜”是一个连续的时间段。
  

2. 斜率图：变革的快照

想象一下比力两个人从出发点到尽头的跑步速率。
斜率图就像两张快照：一张在出发点，一张在尽头，中心用直线毗连。
线的斜率代表了变革的速率，陡峭的上坡体现大幅增长，平缓的线体现变革不大，下坡则体现降落。
它的实现原理：通常在两侧体现两个时间点或两种状态的数据，然后用直线毗连对应的数据点。
线的斜率直观展示了变革的巨细和方向。

1. # 斜率图
2. # 数据
3. depts = ['销售部', '人事部', '技术部', '研发部', '市场部']
4. score_before = [65, 70, 88, 85, 60]
5. score_after = [85, 68, 92, 80, 90]
7. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
9. # --- 左图：普通折线图 ---
10. x = [1, 2] # 代表前后两个时间点
11. for i in range(len(depts)):
12.     ax1.plot(x, [score_before[i], score_after[i]], marker='o', label=depts[i])
13. # 省略 ...
15. # --- 右图：斜率图 ---
16. for i in range(len(depts)):
17.     color = 'green' if score_after[i] > score_before[i] else 'red'
18.     # 绘制线条
19.     ax2.plot([0, 1], [score_before[i], score_after[i]], color=color, marker='o', linewidth=2)
20.     # 直接在点旁边标注文字，去除图例查找的负担
21.     ax2.text(-0.05, score_before[i], f"{depts[i]} {score_before[i]}", ha='right', va='center')
22.     ax2.text(1.05, score_after[i], f"{score_after[i]}", ha='left', va='center')
24. # 省略 ...
26. plt.tight_layout()
27. plt.show()

复制代码

斜率图在这种场景下的上风在于 极简的变革趋势。

• 左图（寻常）： 固然也能看，但在坐标轴的干扰下，你须要盯着读数看。
  
• 右图（斜率）： 去掉了多余的刻度线，只生存首尾。线条越陡峭，代表变革越剧烈。这就像是从“阅读分析书”变成了“看红绿灯”，一清二楚。
  

3. 凹凸图：排名的舞蹈

想象一下竞走中的名次变革：起跑时A领先，中途B反超，末了C冲刺夺冠。
凹凸图就像记录这场角逐的名次变革表，每个时间点谁在前谁在后一清二楚。
它的实现原理：通常展示多个项目在差异时间点的排名变革。
每个项目有一条线，线的上下位置代表排名高低。由于排名是相对的，以是这些线总会交织，形成风趣的波浪形。

1. # 凹凸图
2. years = [2019, 2020, 2021, 2022, 2023]
3. # 排名数据
4. ranks = {
5.     '品牌A': [1, 1, 2, 3, 4],
6.     '品牌B': [4, 3, 1, 1, 2],
7.     '品牌C': [2, 4, 3, 2, 1],
8.     '品牌D': [3, 2, 4, 4, 3]
9. }
10. colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']
12. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
14. # --- 左图：普通折线图 (模拟数值非常接近的情况) ---
15. # 假设排名对应的数值很接近，很难看清
16. values_simulated = {
17.     '品牌A': [30, 31, 25, 20, 15],
18.     '品牌B': [10, 15, 30, 32, 28],
19.     '品牌C': [25, 12, 22, 28, 35],
20.     '品牌D': [20, 22, 18, 15, 20]
21. }
23. for brand, val_list in values_simulated.items():
24.     ax1.plot(years, val_list, marker='o', label=brand)
26. # 省略 ...
28. # --- 右图：凹凸图 ---
29. for idx, (brand, rank_list) in enumerate(ranks.items()):
30.     ax2.plot(years, rank_list, marker='o', markersize=15, linewidth=4, label=brand, color=colors[idx])
31.     # 在圆点中写上名次
32.     for x, y in zip(years, rank_list):
33.         ax2.text(x, y, str(y), color='white', ha='center', va='center', fontweight='bold')
35. ax2.invert_yaxis() # 关键：倒转Y轴，让第1名在最上面
36. # 省略 ...
38. plt.tight_layout()
39. plt.show()

复制代码

凹凸图在这种场景下的上风在于 排名的更替。

• 左图（寻常）： 我们通常画的是“数值”。如果四个品牌的市场份额很靠近（好比20%和21%），线条会粘连在一起，很丢脸清谁第一谁第二。
  
• 右图（凹凸）： Y轴不再是数值，而是“名次”。这里将排名匀称拉开，你可以清晰地看到品牌C是怎样像黑马一样从末了一名杀到第一名的。
  

4. 周期图：模式的放大镜

想象一下观察一年的温度变革。
寻常折线图会体现一条有365个点的波浪线，周期图则把这365天禀成12个月，把每个月的31天叠加在一起比力，就像把一年的温度曲线切成12段，然后并排放在一起。
它的实现原理：将时间序列数据按照周期（天、周、月、年等）切分，然后将每个周期重叠绘制。
如许可以直观比力差异周期内的模式是否相似，以及每个周期相对于团体的体现。

1. # 周期图
2. months = ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']
3. # 模拟长数据
4. sales_2021 = [20, 25, 35, 50, 80, 100, 110, 105, 70, 50, 30, 25]
5. sales_2022 = [22, 28, 40, 55, 85, 105, 115, 100, 75, 55, 35, 28]
6. sales_2023 = [25, 30, 45, 60, 95, 120, 130, 115, 80, 60, 40, 35]
8. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
10. # --- 左图：普通折线图 (线性时间轴) ---
11. # 把所有数据拼成一条长线
12. all_sales = sales_2021 + sales_2022 + sales_2023
13. all_months_idx = range(len(all_sales))
15. ax1.plot(all_months_idx, all_sales, color='#3498db', linewidth=2)
16. # 省略 ...
18. # --- 右图：周期图 (叠加时间轴) ---
19. ax2.plot(months, sales_2021, marker='.', label='2021年', color='lightgrey', linewidth=2, linestyle='--')
20. ax2.plot(months, sales_2022, marker='.', label='2022年', color='grey', linewidth=2, linestyle='--')
21. ax2.plot(months, sales_2023, marker='o', label='2023年', color='#3498db', linewidth=3)
22. # 省略 ...
24. plt.tight_layout()
25. plt.show()

复制代码

周期图在这种场景下的上风在于 季候性模式的辨认。

• 左图（寻常）： 一条长线绵延不停。想要对比2021年7月和2023年7月的数据，眼睛须要在图表左右两端往返横跳，非常累。
  
• 右图（周期）： 就像把每年的数据“叠”在了一起。你可以直接看到，无论哪一年，7月都是最高峰，而12月都是低谷。规律一清二楚。
  

5. 总结

每种折线图变体都有其独特的代价：

• 圆形折线图：恰当展示周期性数据，首尾相接的计划夸大循环
  
• 斜率图：恰当比力两个时间点的变革，直观展示变革幅度
  
• 凹凸图：恰当展示排名或相对位置的变革，竞争关系一清二楚
  
• 周期图：恰当比力多个周期的模式，发现季候性规律
  

实际环境下，选择哪种变体取决于你的数据特点和想要转达的信息。
关键是要记取：可视化不是为了炫技，而是为了更好地陈诉数据故事。下次当我们面对数据时，不妨思考一下，哪种"变形"的折线图能让你的故事更加动人。
完备的代码共享在：折线图的4个变种.ipynb (访问暗码: 6872)

免责声明：如果侵犯了您的权益，请联系站长及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金.