如何为多站点时序数据实现基于数值的着色可视化？

当然可以实现基于参数数值的差异化着色！针对你的多站点时序数据（带突变特征）的可视化需求，我整理了几个可行方案，同时解决你用散点图时时间轴的问题，还有针对性的优化建议：

Plotly对时序数据和颜色映射的支持非常友好，不仅能轻松实现基于数值的着色，还支持交互式操作（放大、悬停查看数值），很适合观察突变点。

import numpy as np
import pandas as pd
import string
import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 生成模拟数据（和你原代码一致）
cols = string.ascii_uppercase[:5]  # 取前5个站点方便演示
ndays = 3
index = pd.date_range('2018-05-01', periods=3*24*60, freq='T')
d1 = np.random.randn(len(index)//ndays, len(cols))
d2 = np.random.randn(len(index)//ndays, len(cols))+2
d3 = np.random.randn(len(index)//ndays, len(cols))-2
data = np.concatenate([d1, d2, d3])
df = pd.DataFrame(data=data, index=index, columns=list(cols))

# 创建子图，每个站点一个子图（可选，也可以画在同一图）
fig = make_subplots(rows=len(cols), cols=1, shared_xaxes=True, vertical_spacing=0.02)

# 为每个站点添加着色的折线图
cmap = 'RdYlBu_r'  # 选择合适的颜色映射
for i, col in enumerate(cols):
    fig.add_trace(
        go.Scatter(
            x=df.index,
            y=df[col],
            mode='lines',
            line=dict(width=1),
            marker=dict(color=df[col], colorscale=cmap, showscale=(i==0)),  # 只显示一次颜色条
            name=col
        ),
        row=i+1,
        col=1
    )

fig.update_layout(height=800, title_text="多站点时序数据数值着色可视化")
fig.update_yaxes(title_text="参数值")
fig.show()

这个方案的优势：

• 完全支持datetime类型的x轴，无需额外转换
• 悬停时可以直接查看时间、站点和对应数值，方便定位突变点
• 颜色条自动关联数值范围，直观展示数值高低

如果你更倾向于使用Matplotlib，可以把每个站点的时序数据拆分成连续的线段，根据每个点的数值映射颜色，再逐个绘制：

import numpy as np
import pandas as pd
import string
import matplotlib.pyplot as plt
from matplotlib import cm
from matplotlib.colors import Normalize

# 生成模拟数据（同上）
cols = string.ascii_uppercase[:5]
ndays = 3
index = pd.date_range('2018-05-01', periods=3*24*60, freq='T')
d1 = np.random.randn(len(index)//ndays, len(cols))
d2 = np.random.randn(len(index)//ndays, len(cols))+2
d3 = np.random.randn(len(index)//ndays, len(cols))-2
data = np.concatenate([d1, d2, d3])
df = pd.DataFrame(data=data, index=index, columns=list(cols))

# 设置颜色映射和归一化
cmap = cm.RdYlBu_r
norm = Normalize(vmin=df.values.min(), vmax=df.values.max())

# 创建画布
fig, axes = plt.subplots(nrows=len(cols), ncols=1, figsize=(12, 8), sharex=True)

# 为每个站点绘制分段着色的折线
for ax, col in zip(axes, cols):
    x = df.index
    y = df[col]
    # 遍历每个连续点对，绘制线段并着色
    for i in range(len(x)-1):
        ax.plot(x[i:i+2], y[i:i+2], color=cmap(norm(y[i])), linewidth=1)
    ax.set_ylabel(col)
    ax.grid(alpha=0.3)

# 添加颜色条
sm = cm.ScalarMappable(norm=norm, cmap=cmap)
sm.set_array([])
fig.colorbar(sm, ax=axes, orientation='horizontal', pad=0.05)
plt.xlabel("时间")
plt.tight_layout()
plt.show()

解决你之前散点图的问题：如果坚持用散点图，只需把datetime索引转成matplotlib能识别的数值（x=df.index.to_pydatetime()或者x=df.index.astype('int64')//1e9），不过折线图更适合时序数据的趋势展示。

• 添加颜色条: 不管用哪种工具，都要加上颜色条，让数值和颜色的对应关系清晰可见
• 突出突变区间: 可以在突变发生的时间点添加垂直参考线（比如ax.axvline(pd.Timestamp('2018-05-02'), color='k', linestyle='--')），快速定位突变位置
• 使用交互式工具: Plotly或Bokeh的交互式功能，能让你自由放大突变区域，查看细节
• 合并相似站点: 如果站点数量太多，可以先对站点聚类，把相似趋势的站点放在同一子图，避免视觉混乱
• 标注突变极值: 对突变点的极值添加文本标注，直接展示关键数值

内容的提问来源于stack exchange，提问作者AjanO