Создание привлекательного линейного графика Seaborn – полное руководство

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# Загрузка демонстрационных данных
df = sns.load_dataset('flights')

# Создание базового линейного графика
sns.lineplot(data=df, x='year', y='passengers')

# Отображение графика
plt.show()

# Исходные данные в "широком" формате
wide_df = pd.DataFrame({
'date': pd.date_range(start='2025-01-01', periods=12, freq='M'),
'product_A': [10, 12, 15, 18, 22, 25, 28, 30, 31, 29, 27, 25],
'product_B': [5, 7, 9, 12, 15, 19, 22, 25, 27, 28, 30, 32]
})

# Преобразование в "длинный" формат
long_df = pd.melt(
wide_df, 
id_vars=['date'], 
value_vars=['product_A', 'product_B'],
var_name='product', 
value_name='sales'
)

# Теперь данные готовы для построения линейного графика
sns.lineplot(data=long_df, x='date', y='sales', hue='product')

# Преобразование строковых дат в datetime
df['date'] = pd.to_datetime(df['date'])

# Агрегирование данных по месяцам
monthly_df = df.groupby(pd.Grouper(key='date', freq='M')).mean().reset_index()

# Заполнение пропущенных значений (если необходимо)
df['value'] = df['value'].interpolate(method='linear')

# Настройка параметров линии
sns.lineplot(
data=df, 
x='date', 
y='value',
hue='category', # Группировка по категориям с разными цветами
size='importance', # Толщина линии на основе значений столбца
style='region', # Стиль линии (сплошная, пунктирная и т.д.)
markers=True, # Добавление маркеров в точках данных
dashes=True, # Использование разных типов линий для категорий
palette='viridis', # Цветовая палитра
linewidth=2.5, # Базовая толщина линий
alpha=0.7 # Прозрачность линий
)

# Установка глобального стиля
sns.set_theme(style="darkgrid", palette="pastel", font="Arial", font_scale=1.2)

# Создание фигуры нужного размера с заданным разрешением
plt.figure(figsize=(12, 6), dpi=100)

# Построение графика
sns.lineplot(data=df, x='date', y='value', hue='category')

# Настройка заголовков, подписей и ограничений осей
plt.title('Динамика показателей по категориям', fontsize=16, weight='bold')
plt.xlabel('Период', fontsize=12)
plt.ylabel('Значение показателя', fontsize=12)
plt.ylim(0, None) # Установка нижней границы оси Y в 0

# Настройка легенды
plt.legend(title='Категория', loc='upper right', frameon=True)

# Настройка формата дат на оси X
plt.xticks(rotation=45)
plt.tight_layout()

# Создание словаря для сопоставления категорий и стилей линий
line_styles = {
'Высокий приоритет': '-',
'Средний приоритет': '--',
'Низкий приоритет': ':'
}

# Применение стилей с помощью параметра dashes
sns.lineplot(
data=df, 
x='date', 
y='value', 
hue='category',
style='priority',
dashes=line_styles
)

# Создание базовой фигуры
plt.figure(figsize=(12, 7))

# Слой 1: Отображение исходных точек данных с прозрачностью
sns.scatterplot(
data=df, 
x='date', 
y='value', 
hue='category',
size='importance', # Размер точек на основе важности
sizes=(20, 200), # Диапазон размеров
alpha=0.3, # Прозрачность точек
legend=False # Отключаем.legend для точек
)

# Слой 2: Сглаженные линии тренда
sns.lineplot(
data=df, 
x='date', 
y='value', 
hue='category',
linewidth=3,
errorbar=None # Отключаем доверительные интервалы
)

# Слой 3: Добавление скользящего среднего для основной категории
rolling_avg = df[df['category'] == 'Primary'].rolling(window=5).mean()
plt.plot(
rolling_avg['date'], 
rolling_avg['value'],
color='black', 
linestyle='--', 
linewidth=2,
label='5-period moving average'
)

# Настройка.legend, заголовков и прочих элементов
plt.legend(title='', frameon=True, bbox_to_anchor=(1.05, 1), loc='upper left')
plt.title('Многослойный анализ динамики показателей', pad=20)
plt.tight_layout()

# Создание сетки графиков, разделенных по региону и году
g = sns.FacetGrid(
df, 
col='region', # Разделение по колонкам
row='year', # Разделение по строкам
hue='category', # Цветовое кодирование
height=3, # Размер каждой ячейки
aspect=1.5, # Соотношение сторон
sharex=False, # Не использовать общую ось X
sharey=True # Использовать общую ось Y
)

# Применение функции lineplot к каждой ячейке сетки
g.map_dataframe(sns.lineplot, x='month', y='value')

# Настройка заголовков и меток
g.set_axis_labels('Месяц', 'Значение показателя')
g.set_titles(col_template='{col_name}', row_template='{row_name}')

# Добавление общей.legend
g.add_legend(title='Категория')
g.fig.suptitle('Анализ показателей по регионам и годам', size=16)
plt.subplots_adjust(top=0.9) # Отступ для основного заголовка

# Базовый график с приглушенными цветами для всех категорий
base = sns.lineplot(
data=df, 
x='date', 
y='value', 
hue='category',
palette='pastel',
alpha=0.4,
legend=False
)

# Выделение конкретной категории
highlight_data = df[df['category'] == 'Target Category']
sns.lineplot(
data=highlight_data,
x='date',
y='value',
color='crimson',
linewidth=3,
label='Target Category'
)

# Добавление аннотаций к ключевым точкам
for idx, row in highlight_data[highlight_data['flag'] == 'important'].iterrows():
plt.annotate(
row['event_name'],
xy=(row['date'], row['value']),
xytext=(10, 10),
textcoords='offset points',
arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0.2')
)

``` <br>

| Бизнес-презентации | Корпоративные цвета, четкие подписи, выделение ключевых трендов |

```plt.rcParams['font.size'] = 14

# Создание функции для применения фирменного стиля к графикам
def apply_corporate_style(ax, title, xlabel, ylabel, legend_title=None):
"""Применяет корпоративный стиль к графику."""
# Цвета компании
corporate_palette = ["#003366", "#FFB612", "#1ECBE1", "#E73137", "#7F3F98"]

# Настройка фона и сетки
ax.set_facecolor("#F8F9FA")
ax.grid(color="#E0E0E0", linestyle="-", linewidth=0.5, alpha=0.7)

# Настройка границ и осей
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)
ax.spines["bottom"].set_linewidth(1.2)
ax.spines["left"].set_linewidth(1.2)

# Заголовки и подписи
ax.set_title(title, fontsize=16, pad=20, weight="bold")
ax.set_xlabel(xlabel, fontsize=12, labelpad=10)
ax.set_ylabel(ylabel, fontsize=12, labelpad=10)

# Настройка.legend
if legend_title:
handles, labels = ax.get_legend_handles_labels()
ax.legend(
handles, 
labels, 
title=legend_title,
frameon=True,
facecolor="white",
framealpha=1,
edgecolor="#DDDDDD"
)

return ax

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime

# Создание синтетических данных о продажах за 2023-2025 годы
np.random.seed(42)
date_range = pd.date_range(start='2023-01-01', end='2025-12-31', freq='D')
n_days = len(date_range)

# Базовый тренд с ростом
base_trend = np.linspace(100, 180, n_days)

# Добавление сезонности (пики в летние месяцы и декабрь)
seasonality = 20 * np.sin(np.pi * date_range.dayofyear / 183) + 40 * (date_range.month == 12)

# Добавление шума и еженедельной цикличности
noise = np.random.normal(0, 8, n_days)
weekly = 15 * (date_range.dayofweek < 5) # Более высокие продажи в будние дни

# Формирование данных о продажах
sales_data = base_trend + seasonality + noise + weekly

# Создание датафрейма
df_sales = pd.DataFrame({
'date': date_range,
'sales': sales_data
})

# Добавление колонок для категориального анализа
df_sales['year'] = df_sales['date'].dt.year
df_sales['month'] = df_sales['date'].dt.month
df_sales['quarter'] = df_sales['date'].dt.quarter
df_sales['day_of_week'] = df_sales['date'].dt.day_name()

# Агрегирование по месяцам для наглядности
monthly_sales = df_sales.groupby([
df_sales['date'].dt.year, 
df_sales['date'].dt.month
]).agg({
'sales': 'mean',
'date': lambda x: x.iloc[0].strftime('%Y-%m') # Берем первую дату месяца
}).reset_index()

monthly_sales['year_month'] = pd.to_datetime(monthly_sales['date'])

# Построение линейного графика с выделением годов
plt.figure(figsize=(14, 8))
sns.set_theme(style="whitegrid")

# Основной график по месяцам с группировкой по годам
ax = sns.lineplot(
data=monthly_sales,
x=monthly_sales['year_month'].dt.month,
y='sales',
hue=monthly_sales['year_month'].dt.year,
palette='viridis',
linewidth=3,
markers=True,
dashes=False
)

# Настройка осей
month_names = ['Янв', 'Фев', 'Мар', 'Апр', 'Май', 'Июн', 'Июл', 'Авг', 'Сен', 'Окт', 'Ноя', 'Дек']
plt.xticks(range(1, 13), month_names)
plt.xlabel('Месяц', fontsize=12)
plt.ylabel('Средние ежедневные продажи', fontsize=12)
plt.title('Сезонные тренды продаж по годам (2023-2025)', fontsize=16, pad=20)

# Добавление аннотаций для важных событий
events = [
{'date': '2023-11-25', 'name': 'Black Friday', 'y_offset': 20},
{'date': '2024-07-15', 'name': 'Летняя акция', 'y_offset': 15},
{'date': '2025-12-05', 'name': 'Новогодние скидки', 'y_offset': 25}
]

for event in events:
event_date = pd.to_datetime(event['date'])
event_month = event_date.month
event_year = event_date.year

# Находим значение продаж для этого месяца
event_sales = monthly_sales[
(monthly_sales['year_month'].dt.year == event_year) & 
(monthly_sales['year_month'].dt.month == event_month)
]['sales'].values[0]

# Добавляем аннотацию
plt.annotate(
event['name'],
xy=(event_month, event_sales),
xytext=(0, event['y_offset']),
textcoords='offset points',
arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0.2'),
fontsize=10,
ha='center'
)

plt.tight_layout()
plt.legend(title='Год', loc='upper left')
plt.show()

# Создание данных о производительности сервера
np.random.seed(123)
date_range = pd.date_range(start='2025-01-01', periods=1440, freq='10min') # 10 дней с шагом 10 мин

# Нормальная загрузка CPU с дневным паттерном
base_load = 30 + 20 * np.sin(np.pi * date_range.hour / 12)

# Добавление случайного шума
noise = np.random.normal(0, 5, len(date_range))

# Имитация плановых операций по обслуживанию
maintenance = np.zeros(len(date_range))
maintenance_idx = ((date_range.dayofweek == 6) & (date_range.hour >= 2) & (date_range.hour < 4))
maintenance[maintenance_idx] = -15 # Снижение нагрузки во время обслуживания

# Имитация пиков нагрузки (например, вечерний прайм-тайм)
peaks = np.zeros(len(date_range))
peak_idx = ((date_range.hour >= 19) & (date_range.hour < 22))
peaks[peak_idx] = 15

# Имитация аномалий (внезапные всплески)
anomalies = np.zeros(len(date_range))
anomaly_points = np.random.choice(len(date_range), size=5, replace=False)
anomalies[anomaly_points] = np.random.uniform(30, 50, size=5)

# Финальные данные о загрузке CPU
cpu_load = base_load + noise + maintenance + peaks + anomalies
cpu_load = np.clip(cpu_load, 0, 100) # Ограничение значений от 0 до 100%

# Создание датафрейма с метриками сервера
df_server = pd.DataFrame({
'timestamp': date_range,
'cpu_load': cpu_load,
'memory_usage': cpu_load * 0.7 + np.random.normal(10, 3, len(date_range)), # Коррелированная с CPU
'disk_io': cpu_load * 0.4 + np.random.normal(5, 8, len(date_range)), # Менее коррелированная
'server_id': 'prod-srv-01'
})

# Добавление флагов для аномалий (для визуализации)
df_server['is_anomaly'] = False
df_server.loc[anomaly_points, 'is_anomaly'] = True
df_server['is_maintenance'] = maintenance_idx

# Создание многопанельного графика
fig, axes = plt.subplots(3, 1, figsize=(14, 12), sharex=True)
sns.set_theme(style="whitegrid")

metrics = ['cpu_load', 'memory_usage', 'disk_io']
titles = ['Загрузка CPU (%)', 'Использование памяти (%)', 'Нагрузка на диск (IOPS)']
colors = ['#1e88e5', '#43a047', '#ff5722']
danger_thresholds = [80, 85, 70]

for i, (metric, title, color, threshold) in enumerate(zip(metrics, titles, colors, danger_thresholds)):
# Построение основной линии метрики
sns.lineplot(
data=df_server,
x='timestamp',
y=metric,
color=color,
ax=axes[i],
linewidth=2
)

# Добавление полосы обслуживания
for idx, row in df_server[df_server['is_maintenance']].iterrows():
axes[i].axvspan(
row['timestamp'], 
row['timestamp'] + pd.Timedelta(minutes=10),
alpha=0.2,
color='grey',
label='Обслуживание' if idx == df_server[df_server['is_maintenance']].index[0] else ""
)

# Выделение аномалий
if i == 0: # Только для CPU
sns.scatterplot(
data=df_server[df_server['is_anomaly']],
x='timestamp',
y=metric,
color='red',
s=100,
marker='X',
label='Аномалия',
ax=axes[i]
)

# Добавление порога опасности
axes[i].axhline(y=threshold, color='red', linestyle='--', alpha=0.7, 
label=f'Порог ({threshold}%)')

# Настройка графика
axes[i].set_title(title, fontsize=14, pad=10)
axes[i].set_ylabel(metric.replace('_', ' ').title())
axes[i].legend(loc='upper right')

# Настройка формата дат на оси X только для последнего графика
if i == 2:
axes[i].set_xlabel('Время')

# Улучшение форматирования дат
if i == 2:
from matplotlib.dates import DateFormatter
date_format = DateFormatter('%d-%m %H:%M')
axes[i].xaxis.set_major_formatter(date_format)
fig.autofmt_xdate(rotation=45)

plt.tight_layout()
plt.suptitle('Мониторинг производительности сервера prod-srv-01', fontsize=16, y=1.02)
plt.subplots_adjust(top=0.95)
plt.show()