本文目录导读：
- Python + Matplotlib（最常用）
- Python + Plotly（交互式图表）
- JavaScript + Chart.js (Web图表)
- Bash + GnuPlot（命令行）
- 实用工具：从CSV生成图表
- 自动化脚本模板
- 使用建议
我来介绍几种生成数据曲线图的脚本方案，包括Python、JavaScript和命令行工具。
Python + Matplotlib（最常用）
基础折线图
import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图表
plt.figure(figsize=(10, 6))
plt.plot(x, y1, label='sin(x)', linewidth=2)
plt.plot(x, y2, label='cos(x)', linewidth=2)
和标签'正弦和余弦曲线', fontsize=14)
plt.xlabel('x 值', fontsize=12)
plt.ylabel('y 值', fontsize=12)
plt.legend()
plt.grid(True, alpha=0.3)
# 保存或显示
plt.savefig('curve.png', dpi=300, bbox_inches='tight')
plt.show()
多子图曲线
import matplotlib.pyplot as plt
import numpy as np
# 创建2x2子图
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 10))
x = np.linspace(0, 4*np.pi, 500)
# 子图1：基本曲线
ax1.plot(x, np.sin(x), 'b-', linewidth=2)
ax1.set_title('正弦波')
ax1.set_xlabel('时间')
ax1.set_ylabel('振幅')
# 子图2：多条曲线对比
ax2.plot(x, np.sin(x), 'r-', label='sin')
ax2.plot(x, np.cos(x), 'g--', label='cos')
ax2.legend()
ax2.set_title('sin vs cos')
# 子图3：散点+曲线
y = np.sin(x) + np.random.randn(500)*0.1
ax3.scatter(x, y, s=5, alpha=0.5)
ax3.plot(x, np.sin(x), 'r-', linewidth=2)
ax3.set_title('带噪声的数据')
# 子图4：填充区域
ax4.plot(x, np.sin(x))
ax4.fill_between(x, np.sin(x), 0, alpha=0.3)
ax4.set_title('填充曲线')
plt.tight_layout()
plt.show()
Python + Plotly（交互式图表）
import plotly.graph_objects as go
import numpy as np
# 生成数据
x = np.linspace(0, 20, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
# 创建交互式图表
fig = go.Figure()
# 添加曲线
fig.add_trace(go.Scatter(x=x, y=y1, mode='lines', name='sin'))
fig.add_trace(go.Scatter(x=x, y=y2, mode='lines', name='cos'))
fig.add_trace(go.Scatter(x=x, y=y3, mode='lines', name='tan'))
# 更新布局
fig.update_layout('交互式曲线图',
xaxis_title='X轴',
yaxis_title='Y轴',
hovermode='x'
)
# 保存为HTML（可交互）
fig.write_html('interactive_curve.html')
# 显示
fig.show()
JavaScript + Chart.js (Web图表)
<!DOCTYPE html>
<html>
<head>
<script src="https://cdn.jsdelivr.net/npm/chart.js"></script>
</head>
<body>
<canvas id="myChart" style="max-width: 800px; margin: auto;"></canvas>
<script>
// 生成演示数据
const generateData = () => {
const data = [];
for (let i = 0; i < 50; i++) {
data.push({
x: i,
y: Math.sin(i/5) + Math.random()*0.2
});
}
return data;
};
const ctx = document.getElementById('myChart').getContext('2d');
const chart = new Chart(ctx, {
type: 'line',
data: {
labels: Array.from({length: 50}, (_, i) => i),
datasets: [{
label: '正弦波',
data: generateData().map(d => d.y),
borderColor: 'rgb(75, 192, 192)',
backgroundColor: 'rgba(75, 192, 192, 0.2)',
tension: 0.1
}]
},
options: {
responsive: true,
plugins: {
title: {
display: true,
text: '数据曲线图'
}
},
scales: {
y: {
beginAtZero: true
}
}
}
});
// 动态更新数据
setInterval(() => {
chart.data.datasets[0].data = generateData().map(d => d.y);
chart.update();
}, 2000);
</script>
</body>
</html>
Bash + GnuPlot（命令行）
#!/bin/bash
# 创建数据文件
cat > data.txt << EOF
1 5
2 3
3 8
4 6
5 11
6 9
7 13
8 17
EOF
# Gnuplot脚本
gnuplot << EOF
set terminal png size 800,600
set output 'gnuplot_curve.png''数据曲线图'
set xlabel 'X轴'
set ylabel 'Y轴'
set grid
# 绘制点图
plot 'data.txt' with points title '数据点' pt 7 ps 2 lc rgb 'blue', \
'data.txt' smooth bezier with lines title '平滑曲线' lw 2 lc rgb 'red'
EOF
echo "图表已生成: gnuplot_curve.png"
实用工具：从CSV生成图表
import pandas as pd
import matplotlib.pyplot as plt
import sys
def plot_csv(filepath, x_column, y_columns, title='数据曲线图'):
"""
从CSV文件生成曲线图
参数:
filepath: CSV文件路径
x_column: X轴列名
y_columns: Y轴列名列表 图表标题
"""
# 读取数据
df = pd.read_csv(filepath)
# 创建图表
plt.figure(figsize=(12, 6))
for col in y_columns:
plt.plot(df[x_column], df[col],
marker='o', markersize=3,
label=col, linewidth=1.5)
plt.title(title)
plt.xlabel(x_column)
plt.ylabel('值')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
# 保存图表
output_file = 'output_curve.png'
plt.savefig(output_file, dpi=300)
print(f"图表已保存: {output_file}")
# 使用示例
if __name__ == "__main__":
# 创建演示数据
import numpy as np
data = {
'time': np.linspace(0, 10, 100),
'temperature': 20 + 10*np.sin(np.linspace(0, 2*np.pi, 100)),
'humidity': 50 + 20*np.cos(np.linspace(0, 2*np.pi, 100))
}
pd.DataFrame(data).to_csv('sample_data.csv', index=False)
# 生成图表
plot_csv('sample_data.csv', 'time',
['temperature', 'humidity'],
'环境和湿度变化')
自动化脚本模板
#!/usr/bin/env python3
"""
通用数据可视化脚本
用法: python plotter.py data.csv output.png
"""
import matplotlib.pyplot as plt
import pandas as pd
import sys
import os
class DataVisualizer:
def __init__(self, filepath):
self.df = pd.read_csv(filepath)
def generate_curve(self, x_col, y_cols, title, output_path):
"""生成曲线图"""
fig, ax = plt.subplots(figsize=(12, 6))
for y_col in y_cols:
ax.plot(self.df[x_col], self.df[y_col],
label=y_col, linewidth=2)
ax.set_xlabel(x_col)
ax.set_ylabel('值')
ax.set_title(title)
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig(output_path, dpi=300)
plt.close()
print(f"✓ 图表已生成: {output_path}")
def generate_multi_plot(self, config):
"""生成多图"""
n = len(config)
fig, axes = plt.subplots(1, n, figsize=(6*n, 4))
for i, (name, y_col) in enumerate(config.items()):
axes[i].plot(self.df.index, self.df[y_col])
axes[i].set_title(name)
axes[i].grid(True)
plt.tight_layout()
return fig
# 主程序
if __name__ == "__main__":
if len(sys.argv) < 2:
print("用法: python plotter.py data.csv [output.png]")
sys.exit(1)
data_file = sys.argv[1]
output_file = sys.argv[2] if len(sys.argv) > 2 else 'output.png'
# 创建可视化器
visualizer = DataVisualizer(data_file)
# 生成图表
visualizer.generate_curve(
x_col='x', # 根据实际数据修改
y_cols=['y1', 'y2'], # 根据实际数据修改
title='自动生成的数据曲线',
output_path=output_file
)
使用建议
- 快速可视化：使用Matplotlib（Python）或GnuPlot（命令行）
- 交互式需求：Plotly（Python）或Chart.js（Web）
- 数据探索：建议使用Jupyter Notebook + Matplotlib
- 自动化报表：使用上述脚本模板批量处理
- 大数据量：考虑使用seaborn或bokeh优化性能
这些脚本可以直接复制使用，只需根据你的数据格式调整参数即可,需要更具体的定制吗？
