如何用Seaborn绘制同时清晰展示极值与常规数据的折线图（消除数据间隙）

我太懂你这个痛点了！当数据集里既有小范围波动的常规数据（比如员工销售额），又有高很多数量级的极值（比如门店总销售额）时，普通折线图要么把常规数据挤成一条几乎看不清的线，要么没法完整展示极值，完全达不到分析的目的。

针对你这种中间存在无数据断层区间的情况，我给你两个实用的解决方案，都能完美兼顾极值展示和常规数据的细节：

方案一：断裂Y轴（推荐！直观展示数据断层） #

这种方法把Y轴拆成上下两部分，分别对应常规数据和极值，中间用断裂标记明确提示读者这里有数据间隙，既保留了所有数据的趋势，又能让常规数据的波动清晰可见。

修改后的代码如下：

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

# Sample data
data = {
    'Date': ['2025-01-10', '2025-01-17', '2025-01-24', '2025-01-31'],
    'Bob': [156, 60, 58, 62],
    'Joe': [37, 40, 139, 42],
    'Sally': [62, 265, 63, 67],
    'Total': [3698, 3750, 3720, 3800]
}

# 创建DataFrame并处理格式
df = pd.DataFrame(data)
df_melted = df.melt(id_vars='Date', var_name='Employee', value_name='Sales')
df_melted['Date'] = pd.to_datetime(df_melted['Date'])

# 创建上下两个子图，共享X轴
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), sharex=True)
fig.subplots_adjust(hspace=0.05)  # 缩小子图间隙，让整体更连贯

# 下轴：展示员工常规销售额（限定范围在0-350，覆盖你的常规数据区间）
sns.lineplot(x='Date', y='Sales', hue='Employee', 
             data=df_melted[df_melted['Employee'] != 'Total'], 
             marker='o', ax=ax2)
ax2.set_ylim(0, 350)
ax2.set_ylabel('员工销售额')
ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{int(x):,}'))

# 上轴：展示总销售额（限定范围在3500-4000，覆盖极值区间）
total_line = sns.lineplot(x='Date', y='Sales', hue='Employee', 
                          data=df_melted[df_melted['Employee'] == 'Total'], 
                          marker='o', ax=ax1, color='red')
ax1.set_ylim(3500, 4000)
ax1.set_ylabel('总销售额')
ax1.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{int(x):,}'))
ax1.get_legend().remove()  # 上轴不需要重复图例

# 添加断裂标记（//），明确提示数据断层
d = 0.5  # 调整断裂线的倾斜角度
kwargs = dict(marker=[(-1, -d), (1, d)], markersize=12,
              linestyle="none", color='gray', mec='gray', mew=1, clip_on=False)
ax1.plot([0, 1], [0, 0], transform=ax1.transAxes, **kwargs)
ax2.plot([0, 1], [1, 1], transform=ax2.transAxes, **kwargs)

# 设置整体标题和X轴标签
ax2.set_xlabel('日期')
fig.suptitle('员工销售额与总销售额趋势对比', y=0.95)

# 调整图例位置，避免遮挡数据
ax2.legend(loc='upper right')

plt.show()

方案优势： #

• 完全消除了无数据区间的空白，让常规数据的波动一目了然；
• 断裂标记清晰传达了数据量级的差异，不会误导读者；
• 适合你这种有明确数据断层的场景，尤其是后续扩展到多门店数据时，极值和个体数据的对比会更清晰。

方案二：双Y轴（适合观察数据关联） #

如果你想在同一个坐标系里同时看常规数据和极值的趋势关联（比如总销售额的变化是否和员工销售波动有关），可以用双Y轴方案，左边对应常规数据，右边对应极值。

代码示例：

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

# Sample data
data = {
    'Date': ['2025-01-10', '2025-01-17', '2025-01-24', '2025-01-31'],
    'Bob': [156, 60, 58, 62],
    'Joe': [37, 40, 139, 42],
    'Sally': [62, 265, 63, 67],
    'Total': [3698, 3750, 3720, 3800]
}

# 数据预处理
df = pd.DataFrame(data)
df_melted = df.melt(id_vars='Date', var_name='Employee', value_name='Sales')
df_melted['Date'] = pd.to_datetime(df_melted['Date'])

# 创建主图和双Y轴
fig, ax1 = plt.subplots(figsize=(12, 8))

# 左Y轴：绘制员工常规销售额
sns.lineplot(x='Date', y='Sales', hue='Employee', 
             data=df_melted[df_melted['Employee'] != 'Total'], 
             marker='o', ax=ax1)
ax1.set_ylabel('员工销售额')
ax1.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{int(x):,}'))
ax1.set_xlabel('日期')

# 右Y轴：绘制总销售额
ax2 = ax1.twinx()
sns.lineplot(x='Date', y='Sales', hue='Employee', 
             data=df_melted[df_melted['Employee'] == 'Total'], 
             marker='o', ax=ax2, color='red', legend=False)
ax2.set_ylabel('总销售额')
ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: f'{int(x):,}'))

# 设置标题和图例
plt.title('员工销售额与总销售额趋势对比')
ax1.legend(loc='upper left')

plt.show()

方案优势： #

• 可以在同一个视图里观察两个数据系列的趋势关联；
• 不需要拆分图表，整体视觉更统一。

针对大规模数据集的小技巧 #

当你扩展到上百个员工、多门店的数据集时，可以试试这些优化：

• 给极值数据（比如门店总销售额）设置独特的高亮颜色，方便快速识别；
• 动态计算Y轴范围：比如用df_melted[df_melted['Employee'] != 'Total']['Sales'].max() * 1.1作为常规数据轴的上限，适配不同周的波动；
• 如果图例过于拥挤，可以把图例移到图表外部，或者只显示关键系列。

备注：内容来源于stack exchange，提问作者Ryan Barnes