3、Matplotlib基础绘图：折线图、散点图、柱状图绘制风机运行参数
说到数据可视化，Matplotlib 绝对是 Python 世界里绕不开的库。我刚开始做风机数据分析那会儿，面对一堆 CSV 文件，脑子里全是数字，根本看不出问题在哪。后来学会了画图，嗯，一下子豁然开朗。
这一节，咱们就聊聊怎么用 Matplotlib 画三种最常用的图——折线图、散点图、柱状图。说白了，这三种图基本能覆盖风机运行参数 80% 的可视化需求。
核心知识点速览：
- 折线图：看趋势，比如风速随时间的变化
- 散点图：看关系，比如风速与功率的关联
- 柱状图：看对比，比如各台风机发电量的差异
3.1 折线图：看风速变化趋势
折线图是我用得最多的图。你想想看，风机运行数据本质上就是时间序列——每 10 秒记录一次风速、功率、转速。用折线图一看，趋势一目了然。
我个人习惯用 plt.plot() 来画。这里有个小细节：x 轴通常是时间，y 轴是你要观察的参数。
import matplotlib.pyplot as plt
import numpy as np
# 模拟 24 小时风速数据（每 10 分钟一个点）
time = np.arange(0, 24, 0.1667) # 单位：小时
wind_speed = 8 + 4 * np.sin(0.3 * time) + np.random.normal(0, 0.5, len(time))
plt.figure(figsize=(10, 5))
plt.plot(time, wind_speed, color='#2196F3', linewidth=1.5, label='风速 (m/s)')
plt.xlabel('时间 (小时)')
plt.ylabel('风速 (m/s)')
plt.title('某风机 24 小时风速变化趋势')
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.show()💡 我的小技巧：
我在项目中遇到过数据点太多导致折线图变成一团「毛线」的情况。解决办法很简单——用 alpha 参数降低线条透明度，或者对数据做降采样。比如每 10 个点取一个平均值，图就清爽多了。
3.2 散点图：看风速与功率的关系
折线图看趋势，散点图看关系。风机运行中，我最关心的就是风速和功率的关系——说白了，就是「风大了，电多了没？」
用 plt.scatter() 画散点图，还能用颜色表示第三个维度，比如温度或者转速。这个技巧我在做异常检测时经常用。
# 模拟风速与功率数据
wind_speed = np.random.uniform(3, 25, 200)
# 功率曲线：低风速时功率低，额定风速后趋于平稳
power = np.where(wind_speed < 12,
0.5 * wind_speed**2,
0.5 * 12**2 + 20 * (wind_speed - 12))
power += np.random.normal(0, 5, len(wind_speed)) # 加噪声
plt.figure(figsize=(8, 6))
scatter = plt.scatter(wind_speed, power,
c=power, cmap='viridis',
alpha=0.6, s=30)
plt.colorbar(scatter, label='功率 (kW)')
plt.xlabel('风速 (m/s)')
plt.ylabel('功率 (kW)')
plt.title('风速-功率散点图（颜色表示功率大小）')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()⚠️ 避坑指南：
我曾经在项目里犯过一个低级错误——散点图的数据点太多（几十万个），结果图一出来全是黑乎乎一片，啥也看不清。后来我学会了两个办法：
- 用
alpha参数让点半透明，重叠区域颜色加深，能看出密度分布 - 用
s参数调小点的大小，别用默认值
另外，如果数据量特别大，可以考虑用 plt.hexbin() 做六边形分箱图，效果更好。
3.3 柱状图：对比多台风机发电量
柱状图最适合做对比。比如你管着 10 台风机，想知道哪台今天发电最多，哪台最拉胯——柱状图一画，高下立判。
用 plt.bar() 画柱状图，我个人习惯给柱子加个边框颜色，这样打印出来也清晰。
# 模拟 8 台风机日发电量
turbines = ['风机A', '风机B', '风机C', '风机D',
'风机E', '风机F', '风机G', '风机H']
daily_energy = np.random.uniform(80, 120, 8)
plt.figure(figsize=(10, 5))
bars = plt.bar(turbines, daily_energy,
color=['#4CAF50', '#2196F3', '#FF9800', '#E91E63',
'#9C27B0', '#00BCD4', '#FF5722', '#607D8B'],
edgecolor='white', linewidth=1.5)
# 在柱子上标数值
for bar, val in zip(bars, daily_energy):
plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
f'{val:.1f}', ha='center', va='bottom', fontsize=10)
plt.ylabel('日发电量 (MWh)')
plt.title('各风机日发电量对比')
plt.ylim(0, 140)
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()📌 关键参数总结：
| 图表类型 | 核心函数 | 常用参数 | 适用场景 |
|---|---|---|---|
| 折线图 | plt.plot() | color, linewidth, linestyle, marker | 时间序列趋势 |
| 散点图 | plt.scatter() | c, s, alpha, cmap | 变量相关性 |
| 柱状图 | plt.bar() | color, edgecolor, width | 分类对比 |
3.4 组合使用：一张图看多个维度
实际项目中，我经常把折线图和柱状图放在一起。比如用柱状图显示每小时的发电量，用折线图叠加风速变化——这样能直观看出「风速高了，发电量是不是也跟着涨了」。
# 双轴图示例
fig, ax1 = plt.subplots(figsize=(10, 5))
hours = np.arange(1, 25)
wind = 8 + 4 * np.sin(0.3 * hours) + np.random.normal(0, 0.5, 24)
energy = wind * 2 + np.random.normal(0, 3, 24)
# 柱状图：发电量
ax1.bar(hours, energy, color='#FF9800', alpha=0.6, label='发电量 (kWh)')
ax1.set_xlabel('小时')
ax1.set_ylabel('发电量 (kWh)', color='#FF9800')
ax1.tick_params(axis='y', labelcolor='#FF9800')
# 折线图：风速
ax2 = ax1.twinx()
ax2.plot(hours, wind, color='#2196F3', linewidth=2, marker='o', label='风速 (m/s)')
ax2.set_ylabel('风速 (m/s)', color='#2196F3')
ax2.tick_params(axis='y', labelcolor='#2196F3')
plt.title('24小时风速与发电量关系')
fig.tight_layout()
plt.show()💡 经验之谈：
用双轴图时，记得两个 y 轴的单位和量级要匹配。我见过有人把风速（0-15 m/s）和功率（0-2000 kW）放一起，结果风速那条线几乎成了一条直线——因为量级差太多。解决办法是把其中一个数据做归一化，或者用两个 y 轴分别标注。
3.5 保存图片：别让辛苦白费
画完图记得保存。我早期经常忘了这步，结果关了 Jupyter 就得重跑。用 plt.savefig() 保存，支持 PNG、PDF、SVG 等格式。
plt.savefig('风机风速趋势.png', dpi=300, bbox_inches='tight')⚠️ 注意：
savefig() 一定要在 plt.show() 之前调用。否则保存的可能是空白图——嗯，这个坑我踩过不止一次。
好了，三种基础图就聊到这儿。折线图看趋势，散点图看关系，柱状图看对比——你想想看，风机运行数据里 90% 的问题，用这三张图都能发现端倪。下一节咱们聊聊更高级的交互式可视化，到时候用 Plotly 画能缩放、能悬停的图，那才叫过瘾。
公众号:蓝海资料掘金营，微信deep3321