python具有強大的可視化功能，能夠繪制出許多效果酷炫的圖表，小編今天跟大家分享的是：如何用python繪制折線圖。

以下文章轉載于大數據DT微信公眾號。

作者：屈希峰，資深Python工程師，知乎多個專欄作者

來源：大數據DT(ID：hzdashuju)

內容摘編自《Python數據可視化：基于Bokeh的可視化繪圖》

導讀：數據分析時經常用到的折線圖，你真的懂了嗎?可以用來呈現哪些數據關系?在數據分析過程中可以解決哪些問題?怎樣用Python繪制折線圖?本文逐一為你解答。

01 概述

折線圖(Line)是將排列在工作表的列或行中的數據進行繪制后形成的線狀圖形。折線圖可以顯示隨時間(根據常用比例設置)而變化的連續數據，非常適用于顯示在相等時間間隔下數據的趨勢。

在折線圖中，數據是遞增還是遞減、增減的速率、增減的規律(周期性、螺旋性等)、峰值等特征都可以清晰地反映出來。所以，折線圖常用來分析數據隨時間的變化趨勢，也可用來分析多組數據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，并且間隔相同;而垂直軸(y軸)代表不同時刻的數據的大小。如圖0所示。

▲圖0 折線圖

02 實例

折線圖代碼示例如下所示。

代碼示例①

1# 數據

2x = [1. 2. 3. 4. 5. 6. 7]

3y = [6. 7. 2. 4. 5. 10. 4]

4# 畫布：坐標軸標簽，畫布大小

5p = figure(title="line example", x_axis_label='x', y_axis_label='y', width=400. height=400)

6# 繪圖：數據、圖例、線寬

7p.line(x, y, legend="Temp.", line_width=2)  # 折線

8# 顯示

9show(p)

運行結果如圖1所示。

▲圖1 代碼示例①運行結果

代碼示例①仍以最簡單的方式繪制第一張折線圖。line()方法的參數說明如下。

p.line(x, y, **kwargs)參數說明

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

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

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，默認：黑色。

line_dash (:class:`~bokeh.core.properties.DashPattern` ) : (default: []) 虛線，類型可以是序列，也可以是字符串('solid', 'dashed', 'dotted', 'dotdash', 'dashdot')。

line_dash_offset (:class:`~bokeh.core.properties.Int` ) : (default: 0) 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` ) :圖元標簽。

alpha (float) : 一次性設置所有線條的透明度。

color (Color) : 一次性設置所有線條的顏色。

source (ColumnDataSource) : Bokeh特有數據格式(類似于Pandas Dataframe)。

legend (str) : 圖元的圖例。

x_range_name (str) : x軸范圍名稱。

y_range_name (str) : y軸范圍名稱。

level (Enum) : 圖元渲染級別。

代碼示例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)

運行結果如圖2所示。

▲圖2 代碼示例②運行結果

代碼示例②第3行使用multi_line()方法，實現一次性繪制兩條折線，同時，在參數中定義不同折線的顏色。如果使用Pandas Dataframe，則可以同時繪制不同列的數據。multi_line()方法的參數說明如下。

p.multi_line(xs, ys, **kwargs)參數說明

xs (:class:`~bokeh.core.properties.NumberSpec` ) :x坐標，列表。

ys (:class:`~bokeh.core.properties.NumberSpec` ) :y坐標，列表。

其他參數同line。

代碼示例③

1# 準備數據

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# 創建畫布

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)

運行結果如圖3所示。

▲圖3 代碼示例③運行結果

代碼示例③第13、15、16行使用line()方法逐一繪制折線，該方法的優點是基本數據清晰，可在不同線條繪制過程中直接定義圖例。讀者也可以使用multi_line()方法一次性繪制三條折線，然后再繪制折線上的數據點。同樣，既可以在函數中預定義圖例，也可以用Lengend方法單獨進行定義，在后會對圖例進行詳細說明。

代碼示例④

1p.legend.location = "top_left"  # 圖例位于左上

2p.legend.click_policy="hide" # 點擊圖例顯示、隱藏圖形

3show(p)  # 自行測試效果

運行結果如圖4所示。

▲圖4 代碼示例④運行結果

代碼示例④在代碼示例③的基礎上增加了圖例的位置、顯示或隱藏圖形屬性;通過點擊圖例，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，可以通過該方法實現對某一條折線數據的重點關注。這種通過圖例、工具條、控件實現數據人機交互的可視化方式，正是Bokeh得以在GitHub火熱的原因，建議在工作實踐中予以借鑒。

代碼示例⑤

1# 數據

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范圍外的數據設置為無窮大

7y1[y1>+0.9] = +np.inf

8y1[y1<-0.9] = -np.inf

9# 將y2+—0.9范圍外的數據采用掩碼數組或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)

運行結果如圖5所示。

▲圖5 代碼示例⑤運行結果

代碼示例⑤第15、16行使用line()方法繪制兩組不同顏色的曲線。

代碼示例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# 數據

8mass_spec = defaultdict(list)  #defaultdict類的初始化函數接受一個list類型作為參數，當所訪問的鍵不存在時，可以實例化一個值作為默認值

9RT_x = np.linspace(118. 123. num=50)

10norm_dist = norm(loc=120.4).pdf(RT_x)  # loc均值;pdf輸入x，返回概率密度函數

11

12# 生成6組高斯分布的曲線

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# 畫布參數

23figure_opts = dict(plot_width=450. plot_height=300)

24hover_opts = dict(

25    tooltips=[('MZ', '@MZ_tip'), ('Rel Intensity', '@Intensity_tip')],  # 鼠標懸停在曲線上動態顯示數據

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  # 線條數據

33)

34# 畫布1

35rt_plot = figure(tools=[HoverTool(**hover_opts), TapTool()], **figure_opts)

36# 同時繪制多條折(曲)線

37rt_plot.multi_line(xs='RT', ys='RT_intensity', legend="Intensity_tip", **line_opts)

38# x,y軸標簽

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]]))

運行結果如圖6所示。

▲圖6 代碼示例⑥運行結果

代碼示例⑥第19行中，生成繪圖數據時，同時生成圖例名稱列表;第37、43行使用multi_line()方法一次性繪制6條曲線，并預定義圖例。

代碼示例⑦

1import numpy as np

2# 數據

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)

運行結果如圖7所示。

▲圖7 代碼示例⑦運行結果

代碼示例⑦與代碼示例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。

代碼示例⑧

1from bokeh.models import ColumnDataSource, NumeralTickFormatter, SingleIntervalTicker

2from bokeh.sampledata.us_marriages_divorces import data

3# 數據

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)

運行結果如圖8所示。

▲圖8 代碼示例⑧運行結果

代碼示例⑧第22、23行通過line()方法繪制兩條曲線，嚴格上講這兩條曲線并不是Bokeh時間序列的標準繪制方法。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軸的數據顯示格式。

代碼示例⑨

1import numpy as np

2from scipy.integrate import odeint

3# 數據

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數

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)

運行結果如圖9所示。

▲圖9 代碼示例⑨運行結果

代碼示例⑨使用multi_line()方法在二維空間展示洛倫茲空間向量，示例中的數據生成稍微有點復雜，可以直觀感受可視化之下的數據之美，有興趣的讀者可以深入了解。

代碼示例⑩

1import numpy as np

2from bokeh.layouts import row

3from bokeh.palettes import Viridis3

4from bokeh.models import CheckboxGroup, CustomJS

5# 數據

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# 復選框激活顯示

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# 添加圖層

24layout = row(checkbox, p)

25# 顯示

26show(layout)

運行結果如圖10所示。

▲圖10 代碼示例⑩運行結果

代碼示例⑩增加了Bokeh控件復選框，第12、13、14行使用line()方法繪制3條曲線;第16行定義復選框，并在18行定義回調函數，通過該回調函數控制3條曲線的可視狀態;第24行將復選框、繪圖并在一行進行顯示。

代碼示例?

1from bokeh.models import TapTool, CustomJS, ColumnDataSource

2# 數據

3t = np.linspace(0. 0.1. 100)

4# 回調函數

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# 文本，注意選擇線條時候的文字變化

24p.text(0. -100. text_color='text_color', source=source)

25# 調用回調函數進行動態交互

26p.add_tools(TapTool(callback=CustomJS(code=code, args=dict(source=source))))

27# 顯示

28show(p)

運行結果如圖11所示。

▲圖11 代碼示例?運行結果

代碼示例?增加點擊曲線的交互效果，第20、21、22行使用line()方法繪制3條曲線;第26行定義曲線再次被點擊時的效果：圖11中左下方會動態顯示當前選中的是哪條顏色的曲線。

代碼示例?

1import numpy as np

2from bokeh.models import ColumnDataSource, Plot, LinearAxis, Grid

3from bokeh.models.glyphs import Line

4# 數據

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軸單獨設置(默認)

19xaxis = LinearAxis()

20plot.add_layout(xaxis, 'below')

21# y軸單獨設置(默認)

22yaxis = LinearAxis()

23plot.add_layout(yaxis, 'left')

24# 坐標軸刻度

25plot.add_layout(Grid(dimension=0. ticker=xaxis.ticker))

26plot.add_layout(Grid(dimension=1. ticker=yaxis.ticker))

27# 顯示

28show(plot)

運行結果如圖12所示。

▲圖12 代碼示例?運行結果

代碼示例?使用models接口進行曲線繪制，注意第10、17、20行的繪制方法，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數據可視化：基于Bokeh的可視化繪圖》，經出版方授權發布。

以上就是小編跟大家分享的如何用python繪制折線圖的相關內容，希望對大家有所幫助。