如何自动调整数据量使折线图平滑并维持约100个数据点？

你可以通过两种核心方式解决这个问题，根据需求选择即可：

1. 只保留最新100个数据点（简单直接） #

如果只需要展示近期实时趋势，直接截断数据、保留最新100个点是最高效的方式。需要在类中维护一个全局数据集，每次新增数据后截取末尾100个：

修改代码如下：

class MultiColoredLineChartClass:
    """ Multi-Colored Line Chart Class """
    
    def __init__(self):
        self.data = []  # 维护全局数据集

    def render_chart(self, parent):
        self.figure = plt.figure(figsize=(5, 4), dpi=60)
        self.ax = self.figure.add_subplot(111)
        self.canvas = FigureCanvas(parent, -1, self.figure)
        return self.canvas

    def update_chart(self, new_data=[]):
        # 将新数据追加到全局数据集
        self.data.extend(new_data)
        # 仅保留最新的100个点
        display_data = self.data[-100:] if len(self.data) > 100 else self.data

        self.ax.clear()
        self.ax.plot(display_data)
        self.ax.set_xlabel('Time')
        self.ax.set_ylabel('PNL')
        self.ax.set_title('Live PNL Chart')
        
        self.canvas.draw()

2. 数据降采样（保留历史趋势） #

如果需要展示更长周期的历史趋势，同时避免图表杂乱，可以通过降采样合并数据点——把过多的原始数据分组，每组用统计值（平均值、最大值/最小值等）替代，最终将总点数控制在100左右。这里用numpy实现分组聚合：

import numpy as np

class MultiColoredLineChartClass:
    """ Multi-Colored Line Chart Class """
    
    def __init__(self):
        self.data = []  # 维护全局数据集
        self.target_points = 100  # 目标展示数据点数

    def render_chart(self, parent):
        self.figure = plt.figure(figsize=(5, 4), dpi=60)
        self.ax = self.figure.add_subplot(111)
        self.canvas = FigureCanvas(parent, -1, self.figure)
        return self.canvas

    def downsample_data(self):
        if len(self.data) <= self.target_points:
            return self.data
        
        # 计算分组数量与每组大小
        num_groups = self.target_points
        # 按目标点数拆分数据组
        groups = np.array_split(self.data, num_groups)
        
        # 对每组取平均值（可替换为np.max、np.min等聚合方式）
        downsampled = [np.mean(group) for group in groups]
        return downsampled

    def update_chart(self, new_data=[]):
        self.data.extend(new_data)
        display_data = self.downsample_data()

        self.ax.clear()
        self.ax.plot(display_data)
        self.ax.set_xlabel('Time')
        self.ax.set_ylabel('PNL')
        self.ax.set_title('Live PNL Chart')
        
        self.canvas.draw()

选择建议 #

• 若只关注短期实时波动，选第一种方法，简单高效。
• 若需要兼顾长期趋势展示，选第二种方法，通过聚合保留数据核心特征。

内容的提问来源于stack exchange，提问作者Shivdas B