如何用Python分日绘制4个变量对比图并优化可读性

核心思路 #

把宽格式数据转成Seaborn友好的长格式，再按日期分面绘制独立子图，让每个子图的Y轴根据自身数据范围自适应，彻底解决拥挤问题。

步骤1：数据重塑（宽表转长表） #

原DataFrame的Idealised/Measured/Theoretical/Loss是列变量，先转成长格式，方便Seaborn统一处理分组：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 假设你的数据集名为df，先做格式转换
df_melted = df.melt(
    id_vars=['Date', 'Hour'],  # 保留的标识列
    value_vars=['Idealised', 'Measured', 'Theoretical', 'Loss'],  # 需要对比的变量列
    var_name='Variable',  # 新的变量名称列
    value_name='Value'  # 新的数值列
)

# 可选：确保Date是日期类型并排序，避免子图乱序
df['Date'] = pd.to_datetime(df['Date']).dt.date
df_melted = df_melted.sort_values('Date')

步骤2：按日期分面绘制折线图 #

使用FacetGrid按日期拆分子图，关闭Y轴共享，让每个子图的刻度自适应：

# 设置基础绘图风格
sns.set_style("whitegrid")

# 创建分面网格，col_wrap控制每行显示的子图数量，根据你的日期总数调整
g = sns.FacetGrid(
    df_melted,
    col='Date',
    col_wrap=2,  # 每行显示2个日期子图，可按需修改
    sharey=False,  # 关键：关闭Y轴共享，每个子图独立计算刻度
    height=4,  # 单个子图高度
    aspect=1.2  # 子图宽高比
)

# 绘制折线图，marker='o'添加数据点提升可读性
g.map(sns.lineplot, 'Hour', 'Value', 'Variable', marker='o')

# 添加统一图例，设置标题
g.add_legend(title='变量')

# 设置子图标题和整体标题
g.set_titles("日期: {col_name}")
g.fig.suptitle("各日期下变量随小时变化趋势", y=1.02)

# 调整轴标签
g.set_xlabels("小时")
g.set_ylabels("数值")

# 自动调整布局，避免重叠
plt.tight_layout()
plt.show()

关键优化点说明 #

• sharey=False：每个子图的Y轴刻度会根据当前日期的所有变量值范围自动调整，彻底解决拥挤无序的问题
• col_wrap：控制每行子图数量，避免日期过多时子图横向挤成一排
• marker='o'：给折线添加数据点，方便精准读取每个小时的数值
• 数据排序：确保日期子图按时间顺序排列，逻辑更清晰

内容的提问来源于stack exchange，提问作者Odi