如何为DataFrame柱状图按正负设色并替换为平滑图形？

首先明确你的问题场景：

你有包含Speed列的DataFrame，当前用柱状图展示，但想要实现两个优化：

1. 数值小于0的柱子设为红色，大于0的设为绿色
2. 用平滑图形替代带空白间隔的柱状图

下面分别给出解决方案：

需求1：按数值正负给柱子分配不同颜色 #

要实现这个效果，我们只需要先根据Speed的数值生成对应的颜色列表，再传给bar函数的color参数就行。代码示例如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成颜色列表：小于0用红色，大于0用绿色，等于0可以自定义（这里设为灰色）
colors = ['red' if val < 0 else 'green' for val in df['Speed']]

ind = np.arange(len(df))
fig, ax = plt.subplots()
ax.bar(ind, df['Speed'], width=0.5, color=colors)
plt.show()

运行这段代码后，所有负数值的柱子会变成红色，正数值的变成绿色，完美区分正负趋势。

需求2：用平滑图形替代柱状图 #

柱状图的间隔感确实不适合展示连续趋势，这里提供两种实用的平滑展示方案：

方案A：简单平滑折线图（快速实现） #

直接用Matplotlib的plot函数绘制折线，同时保留正负点的颜色区分，既简洁又能展示趋势：

fig, ax = plt.subplots()
# 先绘制基础折线，用灰色做底色增加层次感
ax.plot(df.index, df['Speed'], color='gray', linewidth=2, alpha=0.6)
# 遍历每个数据点，按正负设置标记点颜色
for x_val, y_val in zip(df.index, df['Speed']):
    point_color = 'red' if y_val < 0 else 'green'
    ax.scatter(x_val, y_val, color=point_color, s=35)
plt.show()

这种方式代码量少，效果清晰，适合快速可视化。

方案B：高精度插值平滑曲线（更流畅的趋势） #

如果想要更丝滑的曲线，可以用SciPy的插值工具生成更多拟合点，让曲线更平滑：

from scipy.interpolate import make_interp_spline

fig, ax = plt.subplots()
# 获取原始数据的x和y值
x_original = df.index.values
y_original = df['Speed'].values

# 生成300个均匀分布的x点，用于插值拟合
x_smooth = np.linspace(x_original.min(), x_original.max(), 300)
# 用三次样条插值生成平滑的y值
spline = make_interp_spline(x_original, y_original, k=3)
y_smooth = spline(x_smooth)

# 绘制平滑曲线
ax.plot(x_smooth, y_smooth, color='darkblue', linewidth=2)
# 同时标记原始数据点，保持正负颜色区分
for x, y in zip(x_original, y_original):
    point_color = 'red' if y < 0 else 'green'
    ax.scatter(x, y, color=point_color, s=35)
plt.show()

这种方案生成的曲线会非常流畅，能更细腻地展示数据的变化趋势。

如果想要把两个需求结合得更紧密，比如让平滑曲线也按正负区间显示不同颜色，也可以通过分段绘制曲线来实现，不过上面的方案已经能满足大部分场景啦。

内容的提问来源于stack exchange，提问作者Don Coder