第1章：数据可视化入门：用Matplotlib绘制环境指标随时间变化的折线图

各位同学好，我是老张。在环境数据分析这个行当里摸爬滚打了十几年，今天咱们来聊聊数据可视化这件事。

说实话，我刚入行那会儿，最头疼的不是算法有多复杂，而是——数据摆在那儿，领导让我「讲清楚趋势」。你想想看，一堆密密麻麻的数字，谁看得明白？后来我明白了，一张好图，胜过千言万语。

这一章，咱们就从最基础的折线图开始。别小看它，我敢说，你工作中80%的时间序列问题，一张折线图就能说清楚。

1.1 为什么折线图是环境数据分析的「第一张图」？

环境数据有个特点：它跟时间绑得特别紧。PM2.5浓度是早上高还是晚上高？河流COD值这个月比上个月涨了还是跌了？这些问题的答案，都藏在时间轴上。

折线图，说白了就是把数据点按时间顺序连起来。你一眼就能看出：

• 趋势：整体是上升、下降，还是平稳？
• 波动：有没有明显的周期性？比如每天、每周、每年的规律。
• 异常：哪个时间点突然跳高或跳低？

我记得有一次做某湖泊的溶解氧监测，数据表里看着都正常。结果一画折线图，发现每年7月中旬都有一个「断崖式下跌」。后来排查发现，是那个时间段上游有农业排水。你看，光看表格根本发现不了。

1.2 准备工作：安装和导入Matplotlib

咱们用Python，最常用的绘图库就是Matplotlib。它功能强大，而且免费。安装很简单：

pip install matplotlib

如果你用的是Anaconda，它通常已经装好了。不信你打开Jupyter Notebook试试：

import matplotlib.pyplot as plt
print("导入成功！")

嗯，这里要注意一点：很多人喜欢用 from matplotlib import pyplot as plt，我个人习惯直接用 import matplotlib.pyplot as plt，少打几个字，而且更清晰。

1.3 第一张折线图：从模拟数据开始

咱们先别急着拿真实数据，先造一组简单的模拟数据，把流程跑通。

import matplotlib.pyplot as plt

# 模拟一周的AQI（空气质量指数）数据
days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
aqi_values = [85, 92, 78, 105, 120, 95, 88]

# 绘制折线图
plt.plot(days, aqi_values)

# 添加标题和标签
plt.title('某城市一周AQI变化趋势')
plt.xlabel('日期')
plt.ylabel('AQI指数')

# 显示图形
plt.show()

跑一下这段代码，你会看到一张简单的折线图。虽然丑了点，但趋势已经出来了——周五的AQI最高，周三最低。

我在项目中遇到过类似的情况：有一次做某工业园区的空气质量分析，发现每周五下午PM2.5都会飙升。后来一查，是工厂在周五集中排放。你看，一张折线图就把问题暴露了。

1.4 让折线图「能看」：美化基础设置

默认的折线图太素了。咱们加点料：

plt.figure(figsize=(10, 6))  # 设置画布大小

plt.plot(days, aqi_values, 
         marker='o',          # 数据点用圆圈标记
         linestyle='-',       # 实线
         color='#2E86AB',     # 我喜欢的蓝色
         linewidth=2,         # 线宽
         markersize=8)        # 标记点大小

plt.title('某城市一周AQI变化趋势', fontsize=16, fontweight='bold')
plt.xlabel('日期', fontsize=12)
plt.ylabel('AQI指数', fontsize=12)
plt.grid(True, alpha=0.3)    # 添加网格线，透明度0.3

plt.show()

你看，加了网格线、改了颜色、标了数据点，是不是清晰多了？

1.5 多线对比：同时看多个环境指标

很多时候，我们需要把多个指标放在一张图里对比。比如PM2.5和PM10：

import matplotlib.pyplot as plt

days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
pm25 = [55, 62, 48, 75, 90, 65, 58]
pm10 = [80, 95, 70, 110, 130, 100, 85]

plt.figure(figsize=(10, 6))

plt.plot(days, pm25, marker='o', label='PM2.5', color='#2E86AB')
plt.plot(days, pm10, marker='s', label='PM10', color='#E67E22')

plt.title('PM2.5与PM10一周变化对比', fontsize=16)
plt.xlabel('日期', fontsize=12)
plt.ylabel('浓度 (μg/m³)', fontsize=12)
plt.legend()  # 显示图例
plt.grid(True, alpha=0.3)

plt.show()

为什么要对比？因为PM2.5和PM10的比例能反映污染来源。PM2.5占比高，说明主要是燃烧源；PM10占比高，说明扬尘影响大。这些信息，一张图就全有了。

1.6 避坑指南：我踩过的三个坑

做折线图看着简单，但坑不少。我把自己踩过的坑分享给你：

• 坑一：数据点顺序乱了。我曾经直接把Excel里的数据复制过来，没注意时间排序。结果折线图来回交叉，完全看不出趋势。记住：折线图的数据必须按时间顺序排列。
• 坑二：刻度标签重叠。如果时间点太多（比如365天），所有标签挤在一起根本看不清。解决办法：用 plt.xticks(rotation=45) 旋转45度，或者只显示部分标签。
• 坑三：Y轴不从0开始。有时候数据波动很小，Matplotlib会自动调整Y轴范围，导致波动看起来特别大。比如AQI从80到85，Y轴如果从70到90，看起来像暴涨。这时候要手动设置：plt.ylim(0, 150)。

1.7 本章知识体系

下面这张图，帮你梳理本章的核心逻辑：

1.8 动手试试：用真实数据画一张图

光看不练可不行。我给你一个真实场景：

假设你手头有某监测站2024年1月的日平均温度数据（单位：℃）：

日期	1日	2日	3日	4日	5日	6日	7日
温度	2.1	3.5	1.8	0.5	-1.2	2.8	4.3
日期	8日	9日	10日	11日	12日	13日	14日
温度	5.0	3.2	1.5	0.8	-0.3	2.0	3.8

试试用本章学到的知识，画出这14天的温度变化折线图。要求：

• X轴显示日期（1日、2日...14日）
• Y轴显示温度
• 添加标题「2024年1月上旬温度变化」
• 用红色标记最低温那天

提示：可以用 plt.axhline() 画一条0℃参考线，看看哪天低于冰点。

好了，这一章就到这里。折线图虽然基础，但它是你进入时间序列分析世界的第一步。下一章咱们聊聊如何用折线图发现数据中的「异常值」——那才是真正有意思的地方。

---

公众号:蓝海资料掘金营，微信deep3321