营销自动化数据驱动 - 多源数据 OLAP 架构演进噬
1. 流图：数据的河流
如果把传统的堆叠面积图想象成一块块整齐堆叠的积木，那么流图就像一条蜿蜒流淌的河流，河道的宽窄变化自然流畅，波峰波谷过渡平滑。
它特别适合展示多个类别数据随时间的变化趋势，尤其是当你想强调整体流动感和各部分的相对比例变化时。
流图的核心思想是将传统的堆叠面积图进行"平滑"处理。
在matplotlib中，我们可以使用fill_between函数结合样条插值来创建平滑的边缘。
关键在于将堆叠的数据进行累积，然后对累积边界进行平滑处理。
# 数据准备
x = np.linspace(0, 10, 100)
# 构造三组波浪数据
y1 = 2 + np.sin(x) # 基础波动
y2 = 2 + np.cos(x - 1.5) # 错位波动
y3 = 2 + np.sin(x + 2) # 再次错位
# 省略 ...
# 绘图设置
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
# --- 左图：普通堆叠面积图 (baseline='zero') ---
ax1.stackplot(x, y_data, labels=labels, colors=colors, baseline='zero', alpha=0.8)
# 省略 ...
# --- 右图：流图 (baseline='sym') ---
# 'sym' 表示对称中心布局
ax2.stackplot(x, y_data, labels=labels, colors=colors, baseline='sym', alpha=0.8)
ax2.axhline(0, color='black', ls='--', alpha=0.1) # 画一条中心参考线
# 省略 ...
# 去除右图边框，增加流动感
for spine in ax2.spines.values():
spine.set_visible(False)
plt.tight_layout()
plt.show()
流图解决了一个视觉错觉问题：在普通堆叠面积图中，上面的数据层会因为下面数据层的起伏而被迫“扭曲”，很难看出它原本的形状。
流图通过中心布局，减少了这种扭曲，非常适合展示随时间变化的趋势和不同类别权重的波动，这种有机的形态还能给读者带来极强的审美愉悦感。
2. 地平线图：数据的群山
想象一下远处的地平线上有一排连绵的山脉，每座山的高度代表一个数据值。
地平线图就是这样一种可视化技术，它将时间序列数据压缩在一个很小的垂直空间内，通过颜色和分层来展示数据的变化。
特别适合在有限空间内展示多个时间序列的对比。
地平线图的核心思想是数据分层和颜色渐变。
它将数据值分成若干层（通常是2-3层），每层用一种颜色表示。当数据值超过一层时，就用更深的颜色或不同的颜色填充。这样可以在很小的垂直空间内展示很大的数据范围。
from datetime import timedelta
# 生成模拟数据：过去10年五大科技公司的股价波动
np.random.seed(42)
# 生成日期范围：过去10年，每月一个数据点
dates = pd.date_range("2013-01-01", "2023-01-01", freq="ME")
companies = ["苹果", "谷歌", "微软", "亚马逊", "Meta"]
# 生成各公司的股价模拟数据（标准化到相似范围）
data = {}
for company in companies:
# 基础趋势：每家公司有不同的增长趋势，但最终都在70-90范围内
# 省略 ...
# 转换为DataFrame
df = pd.DataFrame(data, index=dates)
# 创建对比图表
fig, axes = plt.subplots(2, 1, figsize=(14, 10))
# ============ 传统堆叠面积图 ============
colors = ["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFD166", "#9B5DE5"]
# 为堆叠面积图重新归一化数据
df_normalized = df.div(df.sum(axis=1), axis=0) * 100
y_cumulative = np.zeros(len(df))
for i, company in enumerate(companies):
axes[0].fill_between(
df.index,
y_cumulative,
y_cumulative + df_normalized[company].values,
color=colors[i],
alpha=0.7,
label=company,
edgecolor="white",
linewidth=0.5,
)
y_cumulative += df_normalized[company].values
# 省略 ...
# ============ 地平线图：股价波动对比 ============
# 生成股价变化百分比数据（更能体现波动对比）
np.random.seed(42)
price_changes = {}
for company in companies:
# 生成均值附近波动的变化数据
# 省略 ...
# 关键参数：定义“波段”
BAND_HEIGHT = 3.0 # 每个颜色波段代表的变化率幅度 (%)
NUM_BANDS = 3 # 正负方向各使用的波段层数
df = pd.DataFrame(price_changes, index=dates)
# 为每家公司计算并绘制地平线
for i, company in enumerate(companies):
# 公司的基准Y轴位置（水平线）
# 省略 ...
# 分层与绘制：从第1层到第NUM_BANDS层
for band in range(NUM_BANDS):
# --- 处理正偏差（上涨）---
# 计算当前层的数据：偏差值减去已绘制层的高度，并限制在本层高度内
# 省略 ...
# --- 处理负偏差（下跌）---
# 对负值取绝对值，进行类似处理
# 省略 ...
# 美化图表
# 省略 ...
# 6. 添加图例
import matplotlib.patches as mpatches
legend_patches = []
# 省略 ...
plt.tight_layout(h_pad=5)
plt.show()
地平线图是空间利用大师。当你有 20 个股票或者 50 个城市的温度需要放在一张图里对比时，普通的面积图会挤成一团乱麻。
地平线图可以将每个序列压缩成一个窄窄的横条，但在保持视觉分辨率的同时，还能让你看清极值（通过深颜色）。
3. 总结
数据可视化不仅是科学，也是艺术。流图和地平线图这两种面积图变体，分别从"流动之美"和"空间效率"两个角度拓展了面积图的可能性。
它们证明了，通过对基础图表的创意改造，我们可以让数据讲述更丰富、更生动的故事。贝盎创照