如何用Python可视化带尖峰的密集间断时间序列？

数据特性 #

• 12小时内采集25万条高采样率数据点
• 分为11个连续数据段，段间存在30-40分钟的离线间隙
• 信号中位数约70，存在高达500+的尖锐尖峰
• 需要按强度分三档颜色编码：低于中位数、1-2倍中位数、高于2倍中位数，并展示阈值线

已尝试方法及问题 #

• ax.plot()：会连接间隙处的点，生成难看的长斜线
• 结合LTTB降采样的ax.scatter()：点过小难以辨认或过大重叠，间隙模糊
• 按段100秒分箱的ax.errorbar(fmt='.')：接近需求但显得杂乱，分箱会掩盖尖峰结构
• 带where参数的彩色fill_between：颜色过渡处产生伪影

核心需求 #

• 间隙需清晰显示为空白（不连接）
• 尖峰需视觉突出（不被分箱平均掩盖）
• 整体趋势一目了然
• 强度颜色编码清晰
• 适合发表级图表（整洁不杂乱）
• 宽幅格式（约4400像素横向）

推荐可视化方案 #

方案1：分层式段感知可视化（Matplotlib实现） #

结合原始数据淡显与尖峰高亮，叠加趋势线，兼顾细节与整体：

1. 底层：用极细、低透明度的灰色线条绘制每个数据段的原始信号，保留尖峰细节但不干扰整体
2. 中层：对每个数据段进行自适应分箱——仅对非尖峰区域用100秒分箱生成趋势线，尖峰区域直接保留原始点并高亮（红色）
3. 上层：绘制中位数和2倍中位数的虚线阈值线
4. 颜色编码：趋势线按强度分三档颜色（蓝色：低于中位数，橙色：1-2倍，红色：高于2倍）

关键代码片段

import numpy as np
import matplotlib.pyplot as plt

# 尖峰检测函数（基于阈值和斜率）
def detect_spikes(r, thresh=thresh2, slope_thresh=10):
    spikes = np.zeros_like(r, dtype=bool)
    # 超过2倍中位数且斜率突变的点判定为尖峰
    diff = np.diff(r)
    spikes[1:] = (r[1:] > thresh) & (np.abs(diff) > slope_thresh)
    # 扩展尖峰区域避免遗漏
    for i in range(len(spikes)):
        if spikes[i]:
            spikes[max(0, i-5):min(len(spikes), i+5)] = True
    return spikes

fig, ax = plt.subplots(figsize=(44/2.54, 10/2.54), dpi=100)  # 宽幅4400px左右

for t_seg, r_seg in segments:
    # 1. 绘制淡色原始数据
    ax.plot(t_seg, r_seg, color='gray', linewidth=0.1, alpha=0.15)
    
    # 2. 检测尖峰并高亮
    spikes = detect_spikes(r_seg)
    if np.any(spikes):
        ax.scatter(t_seg[spikes], r_seg[spikes], color='#cc0000', s=5, alpha=0.8, zorder=3)
    
    # 3. 非尖峰区域分箱生成趋势线
    non_spike = ~spikes
    if np.sum(non_spike) > 0:
        tb, rb, _ = bin_segment(t_seg[non_spike], r_seg[non_spike])
        colors = color_for_rate(rb)
        for j in range(len(tb)-1):
            ax.plot([tb[j], tb[j+1]], [rb[j], rb[j+1]], color=colors[j], linewidth=2, solid_capstyle='round', zorder=2)

# 添加阈值线
ax.axhline(thresh1, color='#2166ac', ls='--', lw=1.5, alpha=0.7)
ax.axhline(thresh2, color='#cc0000', ls='--', lw=1.5, alpha=0.7)

# 图表美化
ax.set_xlabel("时间（小时）", fontsize=12)
ax.set_ylabel("强度", fontsize=12)
ax.set_title("高采样率间隙传感器数据可视化", fontsize=14, fontweight='bold')
ax.set_ylim(0, thresh2*3)
ax.tick_params(labelsize=10)
ax.grid(axis='y', alpha=0.1)

plt.tight_layout()
plt.savefig("sensor_visualization.png", dpi=100, bbox_inches='tight')

方案2：热图条+尖峰标记（Plotly实现，交互友好） #

适合需要交互探索的场景：

1. 将每个数据段转换为时间轴上的垂直热图条，宽度对应采样间隔，颜色按强度编码
2. 在热图条上方叠加红色散点标记尖峰位置
3. 添加交互式阈值线和悬停提示

方案3：段感知阶梯图（Seaborn） #

用阶梯图展示每个数据段的信号变化，避免分箱丢失细节：

1. 对每个数据段绘制阶梯图，颜色按实时强度编码
2. 尖峰区域用加粗线条突出
3. 段间自动留白，清晰区分离线间隙

方案选择建议 #

• 若需发表级静态图表：优先选择分层式段感知可视化，兼顾整洁性与细节保留
• 若需交互探索：选择热图条+尖峰标记方案，支持缩放、悬停查看具体数值
• 若需最小化视觉干扰：选择段感知阶梯图，用简洁的阶梯线条展示信号变化

内容的提问来源于stack exchange，提问作者requiemman