资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

Plotly折线图绘制基础教程：从数据准备到图表展示

创作时间:

作者:

@小白创作中心

Plotly折线图绘制基础教程：从数据准备到图表展示

引用

来源

https://www.cnblogs.com/wang_yb/p/18776125

在数据分析的世界中，折线图是一种不可或缺的可视化工具。它能够清晰地展示数据随时间或其他变量的变化趋势，帮助我们快速发现数据中的模式、趋势和异常。无论是金融市场分析、气象数据监测，还是业务增长趋势预测，折线图都能以直观的方式呈现关键信息。本文将从基础开始，介绍如何使用Plotly库来绘制折线图，并掌握数据预处理的关键技巧。

1. 单条折线轻松绘制

1.1. 时间序列数据准备

时间序列数据是折线图中最常见的数据类型之一，它以时间为索引，记录了某个变量在不同时间点的值。时间序列数据的特点是数据点之间具有时间顺序，这种顺序使得数据能够反映变量随时间的变化趋势。时间序列数据可以通过多种方式获取，例如从数据库中提取、从API接口获取，或者直接生成模拟数据。

以下是一个简单的示例代码，展示如何生成测试用的时间序列数据：

import pandas as pd
import numpy as np

# 创建时间序列索引
date_range = pd.date_range(start='2025-01-01', end='2025-01-31', freq='D')

# 生成随机数据
data = np.random.randn(len(date_range))

# 创建DataFrame
df = pd.DataFrame(data, index=date_range, columns=['Value'])
print(df)

在上面的代码中，我们使用pandas库生成了一个时间序列索引，并创建了一个包含随机值的DataFrame。其中索引为时间戳，列名为数据值。

1.2. 绘制单折线图

在绘制折线图之前，我们需要将数据导入到Plotly中。Plotly通常使用pandas的DataFrame作为数据输入格式。以下代码展示如何使用Plotly绘制单条折线图：

import plotly.express as px

# 使用Plotly绘制折线图
fig = px.line(df, x=df.index, y='Value', title='单条折线图示例')

# 展示图表
fig.show()

在上述代码中，我们使用plotly.express模块中的line函数来绘制折线图。

x参数指定了时间轴，y参数指定了数据值，title参数用于设置图表的标题。

2. 折线图数据预处理技巧

在绘制折线图之前，数据预处理是一个关键步骤。数据预处理的目的是清理数据中的噪声、处理缺失值和异常值，并将数据转换为适合Plotly绘制的格式。

2.1. 数据清洗与去噪

在实际应用中，数据往往存在缺失值、异常值和噪声等问题。这些问题会影响图表的准确性和可读性，因此在绘制折线图之前，我们需要对数据进行清洗和去噪。

识别并处理缺失值

缺失值是数据中常见的问题之一，处理缺失值的方法包括删除缺失值、填充缺失值等。

# 检查缺失值
print(df.isnull().sum())

# 填充缺失值
df.ffill(inplace=True)  # 前向填充
# df.bfill(inplace=True)  # 后向填充
# df.fillna(value=0, inplace=True)  # 填充为特定值

在上述代码中，我们使用pandas的方法来处理缺失值。ffill表示前向填充，即用前一个非缺失值填充当前缺失值；bfill表示后向填充，即用后一个非缺失值填充当前缺失值；value=0表示使用fillna将缺失值填充为0。

检测并修正异常值

异常值是指数据中明显偏离正常范围的值。异常值可能会影响图表的趋势和准确性，因此我们需要检测并修正异常值。

# 检测异常值
mean = df['Value'].mean()
std = df['Value'].std()
threshold = 3  # 设置阈值
outliers = df[(df['Value'] > mean + threshold * std) | (df['Value'] < mean - threshold * std)]
print("异常值：")
print(outliers)

# 修正异常值
df.loc[outliers.index, 'Value'] = mean

在上述代码中，我们使用了均值和标准差的方法来检测异常值。如果某个值偏离均值超过3倍标准差，则将其视为异常值。最后，我们将异常值修正为均值。

2.2. 数据去噪方法

数据噪声是指数据中的随机波动，这些波动可能会影响图表的趋势和可读性。常见的数据去噪方法包括简单移动平均法和滑动窗口去噪。

# 简单移动平均法去噪
window_size = 3  # 设置滑动窗口大小
df['Smoothed'] = df['Value'].rolling(window=window_size).mean()

# 绘制去噪后的折线图
fig = px.line(df, x=df.index, y=['Value', 'Smoothed'], title='数据去噪效果对比')
fig.show()

在上述代码中，我们使用了rolling方法和mean方法来计算滑动窗口内的平均值，从而实现去噪。window_size参数表示滑动窗口的大小。运行这段代码后，将看到原始数据和去噪后数据的对比效果。

2.3. 数据格式转换与适配

Plotly通常要求数据以pandas的DataFrame格式输入，其中索引为时间戳，列名为数据值。因此，在绘制折线图之前，我们需要将数据转换为适合Plotly的格式。

从CSV到Pandas DataFrame

从CSV文件中读取数据并转换为DataFrame是常见的数据处理步骤。

import pandas as pd

# 从CSV文件中读取数据
df = pd.read_csv('data.csv', parse_dates=['Date'], index_col='Date')
df.head()

在上述代码中，我们使用了pandas的read_csv函数来读取CSV文件。parse_dates=['Date']参数表示将Date列解析为时间戳，index_col='Date'参数表示将Date列设置为索引。

从JSON到Pandas DataFrame

从JSON文件中读取数据并转换为DataFrame也是常见的数据处理步骤。以下是一个示例代码：

import pandas as pd

# 从JSON文件中读取数据
df = pd.read_json('data.json', orient='records')

# 将时间戳列转换为索引
df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)
df.head()

在上述代码中，我们使用了pandas的read_json函数来读取JSON文件。orient='records'参数表示JSON文件的格式为记录格式。然后，我们将时间戳列转换为索引。

总的来说，在将数据转换为适合Plotly绘图的格式时，需要注意以下几点：