面积图的奇妙变形：流图与地平线图-育师

想象一下面积图就像一层层叠起来的彩色玻璃片，每一层代表一个类别，从下往上堆叠，形成整体的视觉冲击。

但有时我们需要更特别的方式来展示数据的变化：是像河流一样蜿蜒流淌，还是像地平线上的群山连绵起伏？

今天，本文将介绍两种创意面积图变体——流图和地平线图，它们能让你的时间序列数据讲述更生动的故事。

1. 流图：数据的河流

如果把传统的堆叠面积图想象成一块块整齐堆叠的积木，那么流图就像一条蜿蜒流淌的河流，河道的宽窄变化自然流畅，波峰波谷过渡平滑。

它特别适合展示多个类别数据随时间的变化趋势，尤其是当你想强调整体流动感和各部分的相对比例变化时。

流图的核心思想是将传统的堆叠面积图进行"平滑"处理。

在matplotlib中，我们可以使用fill_between函数结合样条插值来创建平滑的边缘。

关键在于将堆叠的数据进行累积，然后对累积边界进行平滑处理。

/* by yours.tools - online tools website : yours.tools/zh/generatebchwallets.html */ # 数据准备 x = np.linspace(0, 10, 100) # 构造三组波浪数据 y1 = 2 + np.sin(x) # 基础波动 y2 = 2 + np.cos(x - 1.5) # 错位波动 y3 = 2 + np.sin(x + 2) # 再次错位 # 省略 ... # 绘图设置 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) # --- 左图：普通堆叠面积图 (baseline='zero') --- ax1.stackplot(x, y_data, labels=labels, colors=colors, baseline='zero', alpha=0.8) # 省略 ... # --- 右图：流图 (baseline='sym') --- # 'sym' 表示对称中心布局 ax2.stackplot(x, y_data, labels=labels, colors=colors, baseline='sym', alpha=0.8) ax2.axhline(0, color='black', ls='--', alpha=0.1) # 画一条中心参考线 # 省略 ... # 去除右图边框，增加流动感 for spine in ax2.spines.values(): spine.set_visible(False) plt.tight_layout() plt.show()

流图解决了一个视觉错觉问题：在普通堆叠面积图中，上面的数据层会因为下面数据层的起伏而被迫“扭曲”，很难看出它原本的形状。

流图通过中心布局，减少了这种扭曲，非常适合展示随时间变化的趋势和不同类别权重的波动，这种有机的形态还能给读者带来极强的审美愉悦感。

2. 地平线图：数据的群山

想象一下远处的地平线上有一排连绵的山脉，每座山的高度代表一个数据值。

地平线图就是这样一种可视化技术，它将时间序列数据压缩在一个很小的垂直空间内，通过颜色和分层来展示数据的变化。

特别适合在有限空间内展示多个时间序列的对比。

地平线图的核心思想是数据分层和颜色渐变。

它将数据值分成若干层（通常是2-3层），每层用一种颜色表示。当数据值超过一层时，就用更深的颜色或不同的颜色填充。这样可以在很小的垂直空间内展示很大的数据范围。

/* by yours.tools - online tools website : yours.tools/zh/generatebchwallets.html */ from datetime import timedelta # 生成模拟数据：过去10年五大科技公司的股价波动 np.random.seed(42) # 生成日期范围：过去10年，每月一个数据点 dates = pd.date_range("2013-01-01", "2023-01-01", freq="ME") companies = ["苹果", "谷歌", "微软", "亚马逊", "Meta"] # 生成各公司的股价模拟数据（标准化到相似范围） data = {} for company in companies: # 基础趋势：每家公司有不同的增长趋势，但最终都在70-90范围内 # 省略 ... # 转换为DataFrame df = pd.DataFrame(data, index=dates) # 创建对比图表 fig, axes = plt.subplots(2, 1, figsize=(14, 10)) # ============ 传统堆叠面积图 ============ colors = ["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFD166", "#9B5DE5"] # 为堆叠面积图重新归一化数据 df_normalized = df.div(df.sum(axis=1), axis=0) * 100 y_cumulative = np.zeros(len(df)) for i, company in enumerate(companies): axes[0].fill_between( df.index, y_cumulative, y_cumulative + df_normalized[company].values, color=colors[i], alpha=0.7, label=company, edgecolor="white", linewidth=0.5, ) y_cumulative += df_normalized[company].values # 省略 ... # ============ 地平线图：股价波动对比 ============ # 生成股价变化百分比数据（更能体现波动对比） np.random.seed(42) price_changes = {} for company in companies: # 生成均值附近波动的变化数据 # 省略 ... # 关键参数：定义“波段” BAND_HEIGHT = 3.0 # 每个颜色波段代表的变化率幅度 (%) NUM_BANDS = 3 # 正负方向各使用的波段层数 df = pd.DataFrame(price_changes, index=dates) # 为每家公司计算并绘制地平线 for i, company in enumerate(companies): # 公司的基准Y轴位置（水平线） # 省略 ... # 分层与绘制：从第1层到第NUM_BANDS层 for band in range(NUM_BANDS): # --- 处理正偏差（上涨）--- # 计算当前层的数据：偏差值减去已绘制层的高度，并限制在本层高度内 # 省略 ... # --- 处理负偏差（下跌）--- # 对负值取绝对值，进行类似处理 # 省略 ... # 美化图表 # 省略 ... # 6. 添加图例 import matplotlib.patches as mpatches legend_patches = [] # 省略 ... plt.tight_layout(h_pad=5) plt.show()

地平线图是空间利用大师。当你有 20 个股票或者 50 个城市的温度需要放在一张图里对比时，普通的面积图会挤成一团乱麻。

地平线图可以将每个序列压缩成一个窄窄的横条，但在保持视觉分辨率的同时，还能让你看清极值（通过深颜色）。