如何基于Pandas多年度小时臭氧时间序列数据绘制每日图表及高效编码方案

这是个非常典型的时间序列可视化需求，我来给你拆解最简洁高效的实现步骤，兼顾代码可读性和运行效率：

第一步：数据预处理（核心前提） #

首先必须确保你的时间列是Pandas可识别的datetime类型——这是所有时间序列操作的基础，也是高效处理的关键：

import pandas as pd
import matplotlib.pyplot as plt

# 假设你的DataFrame名为df，包含`time_lt`（时间列）和`ozone`（臭氧浓度列）
df['time_lt'] = pd.to_datetime(df['time_lt'])  # 一次性转换所有时间字符串
df['date'] = df['time_lt'].dt.date  # 提取日期（如1980-04-24）作为分组键

第二步：按日期高效分组 #

利用Pandas内置的矢量化分组功能，直接按date列分组——这比自定义函数提取日期快得多：

# 按日期分组，得到每个日期对应的小时级数据组
daily_groups = df.groupby('date')

如果只需要某一年的数据（比如1980年），可以先筛选再分组，减少后续处理的数据量：

df_target_year = df[df['time_lt'].dt.year == 1980]
daily_groups = df_target_year.groupby('date')

第三步：批量绘制每日图表（高效核心） #

定义一个通用的绘图函数，然后遍历每个分组绘制并保存图表。这里有两个关键优化点：及时释放内存和矢量化操作：

def plot_daily_ozone(group):
    # 获取当前分组的日期（分组的name属性就是分组键）
    current_date = group.name
    # 创建画布和轴对象（面向对象接口比plt.pyplot更高效可控）
    fig, ax = plt.subplots(figsize=(8, 4))
    
    # 矢量化提取小时数作为x轴，避免循环处理每个时间点
    hourly_ticks = group['time_lt'].dt.hour
    # 绘制小时级臭氧变化曲线
    ax.plot(hourly_ticks, group['ozone'], marker='o', linestyle='-', color='tab:blue')
    
    # 设置图表属性
    ax.set_title(f'Ozone Concentration - {current_date}')
    ax.set_xlabel('Hour of Day (0-23)')
    ax.set_ylabel('Ozone Level')
    ax.set_xticks(range(0, 24))  # 显示所有小时刻度
    ax.grid(True, alpha=0.3)
    
    # 保存图表（按日期命名，方便后续查找）
    plt.savefig(f'ozone_daily_{current_date}.png', dpi=100, bbox_inches='tight')
    plt.close(fig)  # 必须关闭画布，释放内存！否则365张图会导致内存溢出

# 遍历所有分组，批量生成图表
for _, daily_data in daily_groups:
    plot_daily_ozone(daily_data)

# 或者更简洁的apply写法，效果完全一致
# daily_groups.apply(plot_daily_ozone)

为什么这是最高效的实现？ #

• 矢量化操作优先：所有时间处理（转换、提取日期/小时）都是Pandas内置的矢量化方法，比Python循环快几个数量级
• 内存管理优化：plt.close(fig)及时释放画布内存，避免绘制大量图表后内存耗尽
• 分组逻辑简洁：利用groupby的原生功能，避免手动拆分数据的冗余代码
• 可扩展性强：如果需要调整图表样式、添加统计指标（如日均最大值），直接在plot_daily_ozone函数里修改即可

内容的提问来源于stack exchange，提问作者Shane Markus