流图与地平线图的面积图变形有何独特之处？

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。 # 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。