折线图的奇妙变奏：四种创意可视化方法

想象一下折线图就像一条普通的公路，它能带我们从A点到达B点。

但有时我们需要更特别的路线：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，标准的折线图有时无法充分展示数据的特性，这时我们就需要一些创意变种。

今天将介绍四种特别的折线图变体，它们各有所长，能让你的数据故事更加生动。

1. 圆形折线图：时间的轮回

如果把普通的折线图首尾相连，放在圆形坐标系中，就得到了圆形折线图。

它特别适合展示周期性数据，比如一天24小时的温度变化、一周七天的销售数据，或者一年四季的气候模式。

它的实现原理 是：使用极坐标系统，将角度代表时间或类别，半径代表数值大小。

在matplotlib中，只需要创建一个极坐标子图，然后像普通折线图一样绘制即可。

# 圆形折线图
# 数据准备
hours = np.linspace(0, 2 * np.pi, 24, endpoint=False)
values = [] # ....
# 闭合数据
values_cycle = np.concatenate((values, [values[0]]))
hours_cycle = np.concatenate((hours, [hours[0]]))
hour_labels = [f"{h}点" for h in range(24)]

fig = plt.figure(figsize=(14, 6))

# --- 左图：普通折线图 ---
ax1 = fig.add_subplot(121)
ax1.plot(range(24), values, marker="o", color="#FF6B6B")
# 省略...

# --- 右图：圆形折线图 ---
ax2 = fig.add_subplot(122, projection="polar")
ax2.plot(hours_cycle, values_cycle, linewidth=2, color="#FF6B6B")
# 省略...

plt.show()

圆形折线图 在这种场景下的优势在于 周期性的闭环感。

• 左图（普通）： 像把这一天的时间切断了，23:00 和 00:00 分隔在两端，看不出它们其实紧挨着。
• 右图（圆形）： 完美闭合。你能直观地感受到"深夜"是一个连续的时间段。

2. 斜率图：变化的快照

想象一下比较两个人从起点到终点的跑步速度。

斜率图就像两张快照：一张在起点，一张在终点，中间用直线连接。

线的斜率代表了变化的速率，陡峭的上坡表示大幅增长，平缓的线表示变化不大，下坡则表示下降。

它的实现原理：通常在两侧显示两个时间点或两种状态的数据，然后用直线连接对应的数据点。

线的斜率 直观展示了变化的大小和方向。

# 斜率图
# 数据
depts = ['销售部', '人事部', '技术部', '研发部', '市场部']
score_before = [65, 70, 88, 85, 60]
score_after = [85, 68, 92, 80, 90]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# --- 左图：普通折线图 ---
x = [1, 2] # 代表前后两个时间点
for i in range(len(depts)):
    ax1.plot(x, [score_before[i], score_after[i]], marker='o', label=depts[i])
# 省略 ...

# --- 右图：斜率图 ---
for i in range(len(depts)):
    color = 'green' if score_after[i] > score_before[i] else 'red'
    # 绘制线条
    ax2.plot([0, 1], [score_before[i], score_after[i]], color=color, marker='o', linewidth=2)
    # 直接在点旁边标注文字，去除图例查找的负担
    ax2.text(-0.05, score_before[i], f"{depts[i]} {score_before[i]}", ha='right', va='center')
    ax2.text(1.05, score_after[i], f"{score_after[i]}", ha='left', va='center')

# 省略 ...

plt.tight_layout()
plt.show()

斜率图 在这种场景下的优势在于 极简的变化趋势。

• 左图（普通）： 虽然也能看，但在坐标轴的干扰下，你需要盯着读数看。
• 右图（斜率）： 去掉了多余的刻度线，只保留首尾。线条越陡峭，代表变化越剧烈。这就像是从"阅读说明书"变成了"看红绿灯"，一目了然。

3. 凹凸图：排名的舞蹈

想象一下赛跑中的名次变化：起跑时A领先，中途B反超，最后C冲刺夺冠。

凹凸图就像记录这场比赛的名次变化表，每个时间点谁在前谁在后一目了然。

它的实现原理：通常展示多个项目在不同时间点的排名变化。

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，所以这些线总会交叉，形成有趣的波浪形。

# 凹凸图
years = [2019, 2020, 2021, 2022, 2023]
# 排名数据
ranks = {
    '品牌A': [1, 1, 2, 3, 4],
    '品牌B': [4, 3, 1, 1, 2],
    '品牌C': [2, 4, 3, 2, 1],
    '品牌D': [3, 2, 4, 4, 3]
}
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# --- 左图：普通折线图 (模拟数值非常接近的情况) ---
# 假设排名对应的数值很接近，很难看清
values_simulated = {
    '品牌A': [30, 31, 25, 20, 15],
    '品牌B': [10, 15, 30, 32, 28],
    '品牌C': [25, 12, 22, 28, 35],
    '品牌D': [20, 22, 18, 15, 20]
}

for brand, val_list in values_simulated.items():
    ax1.plot(years, val_list, marker='o', label=brand)

# 省略 ...

# --- 右图：凹凸图 ---
for idx, (brand, rank_list) in enumerate(ranks.items()):
    ax2.plot(years, rank_list, marker='o', markersize=15, linewidth=4, label=brand, color=colors[idx])
    # 在圆点中写上名次
    for x, y in zip(years, rank_list):
        ax2.text(x, y, str(y), color='white', ha='center', va='center', fontweight='bold')

ax2.invert_yaxis() # 关键：倒转Y轴，让第1名在最上面
# 省略 ...

plt.tight_layout()
plt.show()

凹凸图 在这种场景下的优势在于 排名的更替。

• 左图（普通）： 我们通常画的是"数值"。如果四个品牌的市场份额很接近（比如20%和21%），线条会粘连在一起，很难看清谁第一谁第二。
• 右图（凹凸）： Y轴不再是数值，而是"名次"。这里将排名均匀拉开，你可以清晰地看到品牌C是如何像黑马一样从最后一名杀到第一名的。

4. 周期图：模式的放大镜

想象一下观察一年的温度变化。

普通折线图会显示一条有365个点的波浪线，周期图则把这365天分成12个月，把每个月的31天叠加在一起比较，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。

这样可以直观比较不同周期内的模式是否相似，以及每个周期相对于整体的表现。

# 周期图
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']
# 模拟长数据
sales_2021 = [20, 25, 35, 50, 80, 100, 110, 105, 70, 50, 30, 25]
sales_2022 = [22, 28, 40, 55, 85, 105, 115, 100, 75, 55, 35, 28]
sales_2023 = [25, 30, 45, 60, 95, 120, 130, 115, 80, 60, 40, 35]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

# --- 左图：普通折线图 (线性时间轴) ---
# 把所有数据拼成一条长线
all_sales = sales_2021 + sales_2022 + sales_2023
all_months_idx = range(len(all_sales))

ax1.plot(all_months_idx, all_sales, color='#3498db', linewidth=2)
# 省略 ...

# --- 右图：周期图 (叠加时间轴) ---
ax2.plot(months, sales_2021, marker='.', label='2021年', color='lightgrey', linewidth=2, linestyle='--')
ax2.plot(months, sales_2022, marker='.', label='2022年', color='grey', linewidth=2, linestyle='--')
ax2.plot(months, sales_2023, marker='o', label='2023年', color='#3498db', linewidth=3)
# 省略 ...

plt.tight_layout()
plt.show()

周期图 在这种场景下的优势在于 季节性模式的识别。

• 左图（普通）： 一条长线连绵不断。想要对比2021年7月和2023年7月的数据，眼睛需要在图表左右两端来回横跳，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。规律一目了然。

5. 总结

每种折线图变体都有其独特的价值：

• 圆形折线图：适合展示周期性数据，首尾相接的设计强调循环
• 斜率图：适合比较两个时间点的变化，直观展示变化幅度
• 凹凸图：适合展示排名或相对位置的变化，竞争关系一目了然
• 周期图：适合比较多个周期的模式，发现季节性规律

实际情况下，选择哪种变体取决于你的数据特点和想要传达的信息。

关键是要记住：可视化不是为了炫技，而是为了更好地讲述数据故事。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。

完整的代码共享在：折线图的4个变种.ipynb (访问密码: 6872)