使用Matplotlib、Pandas及Python绘制类broken_barh的事件状态水平图

数据预处理流程 #

• 时间字段格式转换：将timestamp、prev_timestamp统一通过pd.to_datetime()转成pandas原生datetime类型，适配示例数据的纳秒精度时间解析需求。
• 展示信号筛选：提取所有历史上出现过error/warning状态的信号列表，过滤无异常记录的信号，避免无关数据冗余：

  # 提取符合展示要求的信号集合
  qualified_signals = df.loc[df['value'].isin(['error', 'warning']), 'signal'].unique()
  # 仅保留这些信号的全量事件进入绘图数据集
  df_plot = df[df['signal'].isin(qualified_signals)].copy()
  

• 条带参数计算：
  broken_barh的核心入参为每个条带的(起始位置, 宽度)，需要注意原逻辑的差值方向错误：prev_timestamp是当前事件之前的事件时间，直接用prev_timestamp - timestamp会得到负的条带宽度，导致绘制位置偏移。正确的持续时间计算逻辑为：
  1. 将绘图数据集按signal分组、组内按timestamp正序排列
  2. 取同信号下当前事件的下一个事件时间作为当前状态的结束时间，无后续事件时用数据集全局最大时间兜底
  3. 计算条带宽度为结束时间减去当前事件发生时间，仅保留需要绘制的非ok状态行

  df_plot = df_plot.sort_values(['signal', 'timestamp']).reset_index(drop=True)
  df_plot['state_end'] = df_plot.groupby('signal')['timestamp'].shift(-1)
  df_plot['state_end'] = df_plot['state_end'].fillna(df_plot['timestamp'].max())
  # 过滤掉不需要展示的ok状态
  df_plot = df_plot[df_plot['value'].isin(['error', 'warning'])]
  

绘图参数配置 #

• Y轴位置映射：为每个合格信号分配独立的Y轴行位置，行高固定为0.8，避免相邻信号的条带视觉重叠：

  signal_y_map = {sig: idx for idx, sig in enumerate(qualified_signals)}
  

• 条带颜色匹配：按给定规则绑定状态值和对应颜色：

  colors = {'error': 'red', 'warning': 'yellow'}
  df_plot['bar_color'] = df_plot['value'].map(colors)
  

核心绘图逻辑 #

• 时间格式适配：Matplotlib的broken_barh不直接支持datetime类型作为X轴数值，需要通过matplotlib.dates.date2num()将时间转成可识别的浮点数格式：

  import matplotlib.pyplot as plt
  import matplotlib.dates as mdates
  
  fig, ax = plt.subplots(figsize=(12, 6))
  # 逐行绘制每个状态对应的水平条带
  for _, row in df_plot.iterrows():
      y_pos = signal_y_map[row['signal']]
      bar_start = mdates.date2num(row['timestamp'])
      bar_width = mdates.date2num(row['state_end'] - row['timestamp'])
      ax.broken_barh(
          xranges=[(bar_start, bar_width)],
          yrange=(y_pos - 0.4, 0.8),
          color=row['bar_color'],
          edgecolor='white'
      )
  

• 坐标轴格式优化：

  # Y轴绑定信号名称
  ax.set_yticks(list(signal_y_map.values()))
  ax.set_yticklabels(list(signal_y_map.keys()))
  # X轴时间格式适配，自动调整标签角度避免重叠
  ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d %H:%M:%S'))
  fig.autofmt_xdate()
  ax.set_ylim(-0.5, len(qualified_signals)-0.5)
  ax.grid(axis='x', linestyle='--', alpha=0.3)
  

时间滑动窗口实现 #

• 基于Matplotlib内置的RangeSlider组件实现时间范围滑动选择，不需要额外开发交互逻辑：

  from matplotlib.widgets import RangeSlider
  # 为滑块组件预留绘图区域
  fig.subplots_adjust(bottom=0.2)
  slider_ax = fig.add_axes([0.2, 0.05, 0.6, 0.03])
  # 滑块范围匹配数据集的时间跨度
  time_start = mdates.date2num(df_plot['timestamp'].min())
  time_end = mdates.date2num(df_plot['timestamp'].max())
  time_slider = RangeSlider(
      ax=slider_ax,
      label="时间窗口",
      valmin=time_start,
      valmax=time_end,
      valinit=(time_start, time_end)
  )
  # 滑块联动更新X轴显示范围
  def update_display_window(val):
      ax.set_xlim(val[0], val[1])
      fig.canvas.draw_idle()
  time_slider.on_changed(update_display_window)
  

注意事项：

• 示例数据中第三行的warning值和prev_timestamp之间缺少逗号，加载CSV时需要先做基础数据清洗
• 当数据集规模达到数千条时，逐行循环绘制的性能可以满足需求，不需要额外优化

内容的提问来源于stack exchange，提问作者Dennis Delin