如何将大量时间序列绘制成带量化密度的灰度渐变图？

针对你提到的2000条时间序列可视化的痛点——直接df.plot()杂乱无章、仅看均值缺乏密度量化信息，这里分享几个亲测好用的专业实现方法，完美满足你用灰度渐变体现数值区间序列密度的需求：

方案1：区间分箱热力图（量化离散区间的序列数量） #

这个方法把时间轴和数值轴都切成固定区间，统计每个网格内的序列点数量，用灰度深浅对应密度高低，搭配色条明确量化数值，完全避开alpha值的临时方案。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

# 生成模拟数据（模拟2000条时间序列）
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
df = pd.DataFrame(np.random.randn(1000, 2000), index=ts.index)

# 1. 定义时间和数值的分箱区间
time_bins = pd.cut(df.index.astype(np.int64)//10**9, bins=50)  # 把时间切成50个均匀区间
value_bins = pd.cut(df.stack(), bins=[-4, -2, -1, 0, 1, 2, 4])  # 自定义你需要的数值区间

# 2. 统计每个(time_bin, value_bin)的序列点数量
count_df = df.stack().groupby([time_bins, value_bins]).count().unstack().fillna(0)

# 3. 自定义灰度渐变colormap（深灰对应高密度，浅灰对应低密度）
gray_cmap = LinearSegmentedColormap.from_list('gray_grad', ['#f0f0f0', '#333333'])

# 4. 绘制热力图
plt.figure(figsize=(12,6))
im = plt.imshow(count_df.T, aspect='auto', cmap=gray_cmap, 
                extent=[df.index[0], df.index[-1], -4, 4])
plt.colorbar(im, label='序列点数量')
plt.ylabel('数值区间')
plt.xlabel('时间')
plt.title('时间序列数值区间密度热力图')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

这个方案的核心优势是完全量化了每个区间的序列数量，色条直接给出密度参考，适合需要精确观察不同区间分布规律的场景。

方案2：连续核密度估计(KDE)的灰度填充 #

如果想要更平滑的连续密度展示，不需要手动定义分箱区间，可以用核密度估计计算整个时间-数值平面的密度分布，再用灰度渐变填充：

import seaborn as sns

# 整理数据格式：时间转数值型Unix时间戳，方便KDE计算
time_values = df.index.astype(np.int64)//10**9
flat_time = np.repeat(time_values, df.shape[1])
flat_values = df.values.flatten()

# 绘制连续密度图
plt.figure(figsize=(12,6))
# 用seaborn的kdeplot生成连续密度，cmap用灰度渐变，shade=True实现填充
sns.kdeplot(x=flat_time, y=flat_values, cmap=gray_cmap, shade=True, 
            levels=10, cbar=True, cbar_kws={'label':'密度'})
# 把x轴转回日期格式，提升可读性
plt.xticks(ticks=plt.xticks()[0], labels=pd.to_datetime(plt.xticks()[0]*10**9).strftime('%Y-%m-%d'), rotation=45)
plt.ylabel('数值')
plt.xlabel('时间')
plt.title('时间序列数值连续密度分布')
plt.tight_layout()
plt.show()

这个方案视觉上更平滑自然，适合观察整体的密度趋势，KDE会自动计算最优的密度分布，不需要人工干预分箱规则。

方案3：分层分位数灰度填充（类箱线图的连续版本） #

如果你想保留类似箱线图的分位数统计意义，同时结合你之前的滚动均值需求，可以计算序列的滚动分位数，然后用fill_between分层填充灰度区间：

# 计算滚动分位数（窗口60，和你之前的滚动均值窗口保持一致）
rolling_q0 = df.rolling(window=60, center=True).quantile(0.0)
rolling_q25 = df.rolling(window=60, center=True).quantile(0.25)
rolling_q50 = df.rolling(window=60, center=True).quantile(0.5)
rolling_q75 = df.rolling(window=60, center=True).quantile(0.75)
rolling_q100 = df.rolling(window=60, center=True).quantile(1.0)

# 自定义灰度层级（从深到浅对应中间到两端的分位数区间）
gray_levels = ['#222222', '#555555', '#888888', '#bbbbbb']

plt.figure(figsize=(12,6))
# 分层填充分位数区间
plt.fill_between(df.index, rolling_q0, rolling_q25, color=gray_levels[3], alpha=1)
plt.fill_between(df.index, rolling_q25, rolling_q50, color=gray_levels[2], alpha=1)
plt.fill_between(df.index, rolling_q50, rolling_q75, color=gray_levels[1], alpha=1)
plt.fill_between(df.index, rolling_q75, rolling_q100, color=gray_levels[0], alpha=1)
# 叠加滚动均值线，和你之前的需求衔接
rolling_mean = df.mean(1).rolling(window=60, center=True).mean()
rolling_mean.plot(color='white', linewidth=2, label='滚动均值')

plt.legend()
plt.colorbar(plt.cm.ScalarMappable(cmap=gray_cmap), label='分位数区间（深=75-100%，浅=0-25%）')
plt.ylabel('数值')
plt.xlabel('时间')
plt.title('滚动分位数灰度分层密度图')
plt.tight_layout()
plt.show()

这个方案完美结合了滚动统计和密度可视化，每个灰度层都对应明确的统计意义，非常适合观察数据分布的离散程度随时间的变化趋势。

内容的提问来源于stack exchange，提问作者JC_CL