网站导航
> 技术文档 > Python 绘制各类折线图全指南：从基础到进阶

Python 绘制各类折线图全指南：从基础到进阶

网友: 技术文档 2025-07-26 20:03:11

折线图是数据可视化中最常用的图表类型之一，适用于展示数据随时间或有序类别变化的趋势。无论是分析销售额波动、温度变化，还是对比多组数据的趋势差异，折线图都能直观呈现数据的变化规律。本文将详细介绍如何用 Python 的 Matplotlib、Seaborn 和 Plotly 库绘制各类折线图，从基础到进阶，覆盖常见场景及定制技巧。

一、准备工作：环境与工具

在开始绘图前，需确保安装必要的库，并解决中文显示问题（避免标题 / 标签乱码）。

1. 安装依赖库

常用的折线图绘制库包括：

  • Matplotlib：Python 最基础的绘图库，功能全面，可高度定制；
  • Seaborn：基于 Matplotlib 的高级封装，风格更美观，适合统计可视化；
  • Plotly：交互式绘图库，支持动态交互（悬停、缩放等）。

 安装命令：

pip install matplotlib seaborn plotly pandas numpy

2. 全局设置（解决中文显示问题）

Matplotlib 默认不支持中文，需提前配置字体：

import matplotlib.pyplot as pltimport seaborn as snsimport numpy as npimport pandas as pd# 设置中文显示plt.rcParams[\"font.family\"] = [\"SimHei\", \"WenQuanYi Micro Hei\", \"Heiti TC\"] # 支持中文plt.rcParams[\"axes.unicode_minus\"] = False # 解决负号显示问题sns.set(font_scale=1.2) # Seaborn字体缩放

二、基础折线图：单条与多条数据

1. 单条折线图

适用于展示一组数据的变化趋势（如某产品月度销量）。

示例代码：

# 生成数据：x为月份，y为销量x = np.arange(1, 13) # 1-12月y = np.random.randint(50, 150, size=12) # 随机生成50-150的销量# 创建画布plt.figure(figsize=(10, 6)) # 画布大小(宽, 高)# 绘制折线图plt.plot(x, y, # x轴、y轴数据 color=\'skyblue\', # 线条颜色 marker=\'o\', # 数据点标记（圆形） linestyle=\'-\', # 线条样式（实线） linewidth=2, # 线条宽度 markersize=6) # 标记大小# 添加标题和标签plt.title(\'2023年某产品月度销量趋势\', fontsize=15)plt.xlabel(\'月份\', fontsize=12)plt.ylabel(\'销量（件）\', fontsize=12)# 设置x轴刻度（1-12月）plt.xticks(x)# 添加网格线（辅助阅读）plt.grid(alpha=0.3) # alpha控制透明度# 显示图表plt.show()

关键技巧：通过label参数定义每条线的名称，用plt.legend()显示图例；用不同颜色、标记区分多条线，提升可读性。

三、进阶折线图：应对复杂场景

1. 带误差线的折线图

当数据存在波动范围（如实验重复的标准差）时，误差线可直观展示数据的可靠性。

示例代码：

# 生成数据（模拟实验数据）x = np.arange(1, 11) # 实验次数y = np.random.normal(50, 10, 10) # 均值50，标准差10的随机数据error = np.random.uniform(2, 5, 10) # 误差范围（2-5）plt.figure(figsize=(10, 6))# 绘制带误差线的折线图plt.errorbar(x, y,  yerr=error, # y方向误差 fmt=\'-o\', # 线条样式（-实线+o标记） ecolor=\'gray\', # 误差线颜色 elinewidth=1, # 误差线宽度 capsize=3) # 误差线末端横线长度plt.title(\'实验数据趋势与误差范围\', fontsize=15)plt.xlabel(\'实验次数\', fontsize=12)plt.ylabel(\'测量值\', fontsize=12)plt.grid(alpha=0.3)plt.show()

效果：折线中每个数据点都带有上下误差线，清晰展示数据的波动范围。

2. 时间序列折线图

时间序列数据（如每日气温、每周销售额）的 x 轴为日期，需特殊处理日期格式。

示例代码：

import pandas as pd# 生成时间序列数据（2023年1-3月，共90天）dates = pd.date_range(start=\'2023-01-01\', end=\'2023-03-31\', freq=\'D\')values = np.random.randint(10, 30, size=len(dates)) # 模拟每日温度（10-30℃）plt.figure(figsize=(14, 6))# 绘制时间序列折线图plt.plot(dates, values, color=\'orange\', linewidth=1.5)# 格式化x轴日期（避免重叠）plt.gcf().autofmt_xdate() # 自动旋转日期标签plt.xlabel(\'日期\', fontsize=12)plt.ylabel(\'温度（℃）\', fontsize=12)plt.title(\'2023年1-3月每日温度趋势\', fontsize=15)plt.grid(alpha=0.3)plt.show()

关键技巧：用pandas.date_range生成日期序列；通过plt.gcf().autofmt_xdate()自动旋转 x 轴日期标签，避免文字重叠。

3. 双 Y 轴折线图

当两组数据量级差异大（如 “销售额” 和 “订单量”）时，双 Y 轴可避免其中一组数据趋势被压缩。

示例代码：

# 生成数据（量级差异大的两组数据）x = np.arange(1, 13) # 月份y1 = np.random.randint(1000, 5000, 12) # 销售额（千级）y2 = np.random.randint(20, 80, 12) # 订单量（十级）# 创建画布和第一个Y轴fig, ax1 = plt.subplots(figsize=(12, 6))# 绘制第一组数据（销售额）ax1.plot(x, y1, color=\'blue\', label=\'销售额\')ax1.set_xlabel(\'月份\', fontsize=12)ax1.set_ylabel(\'销售额（元）\', color=\'blue\', fontsize=12)ax1.tick_params(axis=\'y\', labelcolor=\'blue\') # Y轴标签颜色# 创建第二个Y轴（共享X轴）ax2 = ax1.twinx()ax2.plot(x, y2, color=\'red\', label=\'订单量\')ax2.set_ylabel(\'订单量（单）\', color=\'red\', fontsize=12)ax2.tick_params(axis=\'y\', labelcolor=\'red\')# 合并图例lines1, labels1 = ax1.get_legend_handles_labels()lines2, labels2 = ax2.get_legend_handles_labels()ax1.legend(lines1 + lines2, labels1 + labels2, loc=\'upper left\')plt.title(\'月度销售额与订单量趋势\', fontsize=15)plt.grid(alpha=0.3)plt.show()

效果：左侧 Y 轴展示销售额（千级），右侧 Y 轴展示订单量（十级），两组数据趋势均清晰可见。

4. 填充区域折线图

在折线下方填充颜色，可增强数据的视觉聚焦效果（如突出累积趋势）。

示例代码：

# 生成数据（累积增长趋势）x = np.arange(1, 11)y = np.cumsum(np.random.randint(5, 15, 10)) # 累积求和（模拟用户增长）plt.figure(figsize=(10, 6))# 绘制折线并填充下方区域plt.plot(x, y, color=\'purple\', linewidth=2)plt.fill_between(x, y, # x范围、y上限（折线）、y下限（0）  color=\'purple\',  alpha=0.2) # 透明度（0-1）plt.title(\'产品用户累积增长趋势\', fontsize=15)plt.xlabel(\'上线月份\', fontsize=12)plt.ylabel(\'累积用户数\', fontsize=12)plt.grid(alpha=0.3)plt.show()

效果：折线下方被半透明紫色填充，突出数据的累积增长趋势。

四、交互式折线图（Plotly）

静态折线图无法交互，而 Plotly 可生成支持悬停查看数据、缩放、平移的动态图表，适合网页展示。

示例代码：

import plotly.express as px# 生成数据（多组产品销量）df = pd.DataFrame({ \'月份\': np.arange(1, 13), \'产品A\': np.random.randint(50, 100, 12), \'产品B\': np.random.randint(80, 150, 12), \'产品C\': np.random.randint(30, 80, 12)})# 转换为长格式（适合Plotly）df_long = df.melt(\'月份\', var_name=\'产品\', value_name=\'销量\')# 绘制交互式折线图fig = px.line(df_long,  x=\'月份\',  y=\'销量\',  color=\'产品\', # 按产品区分线条  title=\'2023年三大产品月度销量趋势（交互式）\',  markers=True) # 显示数据点标记# 显示图表（自动打开浏览器/IDE内置窗口）fig.show()

交互功能：

  • 悬停在数据点上可查看具体数值（月份、产品、销量）；
  • 点击图例可隐藏 / 显示对应产品的折线；
  • 支持缩放（鼠标滚轮）、平移（拖拽）、下载图片。

五、总结

折线图是展示趋势的核心工具，Python 的 Matplotlib、Seaborn 和 Plotly 库可满足不同需求：

  • 基础静态图：用 Matplotlib，灵活定制样式；
  • 统计风格图：用 Seaborn，默认风格更美观；
  • 交互式图表：用 Plotly，适合动态探索数据。

实际应用中，需根据数据特点选择合适的折线图类型：对比多组数据用多条折线，展示波动用误差线，处理时间数据用时间序列图，量级差异大用双 Y 轴。通过合理定制样式（颜色、标记、标签），可让折线图更直观地传递数据信息。

网络标签：

相关问题