【数据可视化-83】环境因素对机器性能影响的深度可视化分析：Python + matplotlib打造炫酷数据大屏

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  在工业生产中，机器的性能和故障率受到多种环境因素的影响。本文将利用 Python 和 matplotlib 对环境因素对机器性能的影响进行深度可视化分析。通过多种炫酷的图表，从多个维度深入剖析环境因素与机器性能之间的关系，最终生成一个可移动的可视化大屏，为数据分析和决策提供有力支持。

二、数据准备

  本次分析的数据集包含以下字段：

• footfall：经过机器的人数或物体数量
• tempMode：机器的温度模式或设置
• AQ：机器附近的空气质量指数
• USS：超声波传感器数据，表示接近度测量
• CS：当前传感器读数，表示机器的电流使用情况
• VOC：检测到的挥发性有机化合物水平
• RP：机器部件的旋转位置或每分钟转数
• IP：机器的输入压力
• Temperature：机器的运行温度
• fail：机器故障的二元指示器（1表示故障，0表示无故障）

  以下是部分数据的展示：

  在进行可视化之前，我们需要对数据进行加载和清洗。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
# 读取数据
df = pd.read_csv("data (1).csv")

# 查看数据的前几行
print(df.head())

三、可视化实现

3.1 环境因素与机器故障的关系（柱状图）

  首先，我们通过柱状图展示不同环境因素与机器故障之间的关系。

# 创建柱状图
plt.figure(figsize=(12, 8))
sns.barplot(x=df.columns[1:-1], y=df[df['fail'] == 1].sum().tolist()[1:-1], label="故障次数")
sns.barplot(x=df.columns[1:-1], y=df[df['fail'] == 0].sum().tolist()[1:-1], label="正常次数")
plt.title("环境因素与机器故障的关系", fontsize=16)
plt.xlabel("环境因素", fontsize=14)
plt.ylabel("次数", fontsize=14)
plt.xticks(rotation=45)
plt.legend()
plt.show()

3.2 空气质量与机器故障的关系（散点图）

  接下来，我们通过散点图展示空气质量（AQ）与机器故障之间的关系。

normal_data = df[df['fail'] == 0]  
fault_data = df[df['fail'] == 1]  
# 统计正常状态下的AQ分布  
normal_aq_counts = normal_data['AQ'].value_counts().sort_index()  
# 统计故障状态下的AQ分布  
fault_aq_counts = fault_data['AQ'].value_counts().sort_index()  
plt.figure(figsize=(15, 6))  
  
# 绘制正常状态下的饼图  
plt.subplot(1, 2, 1)  
plt.pie(normal_aq_counts,   
        labels=normal_aq_counts.index,   
        autopct='%1.1f%%',   
        startangle=90)  
plt.title('正常状态(fail=0)下的AQ分布', fontsize=14)  
  
# 绘制故障状态下的饼图  
plt.subplot(1, 2, 2)  
plt.pie(fault_aq_counts,   
        labels=fault_aq_counts.index,   
        autopct='%1.1f%%',  
        startangle=90)  
plt.title('故障状态(fail=1)下的AQ分布', fontsize=14)  
plt.show()

3.3 机器运行温度与故障的关系（折线图）

  我们再通过折线图展示机器运行温度与故障之间的关系。

plt.figure(figsize=(10, 6))
sns.lineplot(x='Temperature', y='fail', data=df, marker='o', color='red')
plt.title("机器运行温度与故障的关系", fontsize=16)
plt.xlabel("运行温度", fontsize=14)
plt.ylabel("故障状态", fontsize=14)
plt.show()

3.4 机器电流使用情况与故障的关系（箱线图）

  通过箱线图展示机器电流使用情况（CS）与故障之间的关系。

plt.figure(figsize=(10, 6))
sns.boxplot(x='fail', y='CS', data=df, palette='viridis')
plt.title("机器电流使用情况与故障的关系", fontsize=16)
plt.xlabel("状态", fontsize=14)
plt.ylabel("电流使用情况", fontsize=14)
plt.xticks([0, 1], ["正常", "故障"])
plt.show()

3.5 机器输入压力与故障的关系（热力图）

  通过热力图展示机器输入压力（IP）与故障之间的关系。

plt.figure(figsize=(10, 6))
sns.heatmap(df[['IP', 'fail']].corr(), annot=True, cmap='coolwarm', linewidths=.5)
plt.title("机器输入压力与故障的关系", fontsize=16)
plt.show()

3.6 机器旋转位置与故障的关系（雷达图）

  通过雷达图展示机器旋转位置（RP）与故障之间的关系。

from math import pi

# 计算角度
categories = df.columns[1:-1].tolist()
N = len(categories)
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]

# 准备数据
normal = df[df['fail'] == 0][categories].mean().tolist()
normal += normal[:1]
fault = df[df['fail'] == 1][categories].mean().tolist()
fault += fault[:1]

# 绘制雷达图
fig, ax = plt.subplots(figsize=(10, 6), subplot_kw=dict(polar=True))
ax.fill(angles, normal, color='blue', alpha=0.25)
ax.plot(angles, normal, color='blue', linewidth=2, label='正常')
ax.fill(angles, fault, color='red', alpha=0.25)
ax.plot(angles, fault, color='red', linewidth=2, label='故障')
ax.set_thetagrids([a * 180 / pi for a in angles[:-1]], categories)
plt.title("机器旋转位置与故障的关系", fontsize=16)
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1.1))
plt.show()

3.7 挥发性有机化合物水平与故障的关系（饼图）

  通过饼图展示挥发性有机化合物水平（VOC）与故障之间的关系。

plt.figure(figsize=(10, 6))  
voc_groups = df.groupby('VOC')['fail'].mean().reset_index()  
plt.pie(voc_groups['fail'], labels=voc_groups['VOC'].astype(str),   
        autopct='%1.1f%%', startangle=90)  
plt.title('挥发性有机化合物水平与故障关系')  
plt.show()

3.8 超声波传感器数据与故障的关系（面积图）

  通过面积图展示超声波传感器数据（USS）与故障之间的关系。

plt.figure(figsize=(24, 8))
plt.fill_between(df.index[-100:], df['USS'][-100:], alpha=0.5, label='超声波传感器数据')
plt.fill_between(df.index[-100:], df['fail'][-100:], alpha=0.5, label='机器故障')
plt.title("超声波传感器数据与故障的关系", fontsize=16)
plt.xlabel("时间", fontsize=14)
plt.ylabel("值", fontsize=14)
plt.legend()
plt.show()

四、可视化大屏整合

  将上述所有图表整合到一个可视化大屏中，方便进行综合分析。

from math import pi
# 创建大屏布局
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from math import pi
from matplotlib.gridspec import GridSpec

# 设置全局样式
plt.style.use('dark_background')
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
sns.set(style="darkgrid", palette="muted", font="SimHei")

# 读取数据
df = pd.read_csv("data (1).csv")

# 创建大屏布局
fig = plt.figure(figsize=(24, 16), facecolor='#0d0d0d')
fig.suptitle('机器故障多维度分析大屏', fontsize=28, color='white', fontweight='bold', y=0.98)

# 使用GridSpec创建复杂布局
gs = GridSpec(3, 4, figure=fig, hspace=0.4, wspace=0.3)

# 1. 环境因素与机器故障的关系（柱状图） - 左上
ax1 = fig.add_subplot(gs[0, 0])
sns.barplot(x=df.columns[1:-1], y=df[df['fail'] == 1].sum().tolist()[1:-1], 
            color='#ff7f50', label="故障次数", ax=ax1)
sns.barplot(x=df.columns[1:-1], y=df[df['fail'] == 0].sum().tolist()[1:-1], 
            color='#1e90ff', label="正常次数", alpha=0.7, ax=ax1)
ax1.set_title("环境因素与机器故障的关系", fontsize=16, color='white')
ax1.set_xlabel("环境因素", fontsize=12, color='white')
ax1.set_ylabel("次数", fontsize=12, color='white')
ax1.tick_params(axis='x', rotation=45, colors='white')
ax1.tick_params(axis='y', colors='white')
ax1.legend()
ax1.set_facecolor('#1a1a1a')

# 2. 空气质量与机器故障的关系饼状图 - 右上
ax2 = fig.add_subplot(gs[0, 1])
normal_data = df[df['fail'] == 0]  
fault_data = df[df['fail'] == 1]  
normal_aq_counts = normal_data['AQ'].value_counts().sort_index()  
fault_aq_counts = fault_data['AQ'].value_counts().sort_index()  

# 左侧饼图 - 正常状态
ax2_1 = fig.add_subplot(gs[0, 1])
ax2_1.pie(normal_aq_counts, labels=normal_aq_counts.index, autopct='%1.1f%%', 
          startangle=90, colors=['#1e90ff', '#32cd32', '#ffd700'])
ax2_1.set_title('正常状态(fail=0)下的AQ分布', fontsize=14, color='white')

# 右侧饼图 - 故障状态
ax2_2 = fig.add_subplot(gs[0, 2])
ax2_2.pie(fault_aq_counts, labels=fault_aq_counts.index, autopct='%1.1f%%', 
          startangle=90, colors=['#ff7f50', '#ff4500', '#8b0000'])
ax2_2.set_title('故障状态(fail=1)下的AQ分布', fontsize=14, color='white')

# 3. 机器运行温度与故障的关系（折线图） - 中左
ax3 = fig.add_subplot(gs[1, 0])
sns.lineplot(x='Temperature', y='fail', data=df, marker='o', color='#ff4500', linewidth=2.5, ax=ax3)
ax3.fill_between(df['Temperature'], df['fail'], color='#ff4500', alpha=0.2)
ax3.set_title("机器运行温度与故障的关系", fontsize=16, color='white')
ax3.set_xlabel("运行温度", fontsize=12, color='white')
ax3.set_ylabel("故障状态", fontsize=12, color='white')
ax3.tick_params(axis='both', colors='white')
ax3.grid(True, linestyle='--', alpha=0.3)
ax3.set_facecolor('#1a1a1a')

# 4. 机器电流使用情况与故障的关系（箱线图） - 中右
ax4 = fig.add_subplot(gs[1, 1])
sns.boxplot(x='fail', y='CS', data=df, palette=['#1e90ff', '#ff4500'], ax=ax4)
ax4.set_title("机器电流使用情况与故障的关系", fontsize=16, color='white')
ax4.set_xlabel("状态", fontsize=12, color='white')
ax4.set_ylabel("电流使用情况", fontsize=12, color='white')
ax4.set_xticklabels(["正常", "故障"], color='white')
ax4.tick_params(axis='y', colors='white')
ax4.set_facecolor('#1a1a1a')

# 5. 机器输入压力与故障的关系（热力图） - 左下
ax5 = fig.add_subplot(gs[2, 0])
corr = df[['IP', 'fail']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', linewidths=.5, fmt=".2f", 
            annot_kws={"color": "white", "fontsize": 12}, ax=ax5)
ax5.set_title("机器输入压力与故障的关系", fontsize=16, color='white')
ax5.set_facecolor('#1a1a1a')

# 6. 机器旋转位置与故障的关系（雷达图） - 中下
ax6 = fig.add_subplot(gs[2, 1], polar=True)
categories = df.columns[1:-1].tolist()
N = len(categories)
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]

normal = df[df['fail'] == 0][categories].mean().tolist()
normal += normal[:1]
fault = df[df['fail'] == 1][categories].mean().tolist()
fault += fault[:1]

ax6.plot(angles, normal, color='#1e90ff', linewidth=2, label='正常')
ax6.fill(angles, normal, color='#1e90ff', alpha=0.25)
ax6.plot(angles, fault, color='#ff4500', linewidth=2, label='故障')
ax6.fill(angles, fault, color='#ff4500', alpha=0.25)
ax6.set_thetagrids(np.degrees(angles[:-1]), categories, color='white')
ax6.set_title("机器旋转位置与故障的关系", fontsize=16, color='white', pad=20)
ax6.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1), facecolor='#1a1a1a', edgecolor='none')
ax6.set_facecolor('#1a1a1a')

# 7. 挥发性有机化合物水平与故障的关系（饼图） - 右下
ax7 = fig.add_subplot(gs[1, 2])
voc_groups = df.groupby('VOC')['fail'].mean().reset_index()  
ax7.pie(voc_groups['fail'], labels=voc_groups['VOC'].astype(str), 
        autopct='%1.1f%%', startangle=90, colors=['#1e90ff', '#32cd32', '#ffd700', '#ff7f50'],
        shadow=True)
ax7.set_title('挥发性有机化合物水平与故障关系', fontsize=16, color='white')
ax7.set_facecolor('#1a1a1a')

# 8. 超声波传感器数据与故障的关系（面积图） - 下右
ax8 = fig.add_subplot(gs[2, 2])
ax8.fill_between(df.index[-100:], df['USS'][-100:], alpha=0.5, color='#1e90ff', label='超声波传感器数据')
ax8.fill_between(df.index[-100:], df['fail'][-100:], alpha=0.7, color='#ff4500', label='机器故障')
ax8.set_title("超声波传感器数据与故障的关系", fontsize=16, color='white')
ax8.set_xlabel("时间", fontsize=12, color='white')
ax8.set_ylabel("值", fontsize=12, color='white')
ax8.legend(facecolor='#1a1a1a', edgecolor='none')
ax8.set_facecolor('#1a1a1a')
ax8.tick_params(axis='both', colors='white')

# 添加信息面板
info_ax = fig.add_subplot(gs[0, 3])
info_ax.axis('off')

# 计算关键指标
total_records = len(df)
fault_records = df['fail'].sum()
fault_rate = fault_records / total_records * 100
top_factors = df.columns[1:-1][df[df['fail'] == 1].sum().tolist()[1:-1].index(
    max(df[df['fail'] == 1].sum().tolist()[1:-1]))]

# 添加信息文本
info_text = f"""
关键指标分析
------------------------
总记录数: {total_records}
故障记录数: {fault_records}
故障率: {fault_rate:.2f}%
主要故障因素: {top_factors}

故障分布
------------------------
温度 > 80: {len(df[(df['Temperature'] > 80) & (df['fail'] == 1)])}
电流 > 80: {len(df[(df['CS'] > 80) & (df['fail'] == 1)])}
压力 > 80: {len(df[(df['IP'] > 80) & (df['fail'] == 1)])}

建议措施
------------------------
1. 监控温度异常区域
2. 优化电流使用模式
3. 定期检查压力系统
4. 改善空气质量
"""
info_ax.text(0.05, 0.95, info_text, fontsize=14, color='white', 
             verticalalignment='top', linespacing=1.8)

# 添加公司Logo（这里用文本代替）
fig.text(0.95, 0.95, "工业智能监控系统", fontsize=18, color='white', 
         ha='right', va='top', alpha=0.7)

# 添加时间戳
fig.text(0.05, 0.01, f"报告生成时间: 2025-06-15 14:30", fontsize=12, color='gray')

# 保存大屏图像
plt.savefig('machine_failure_dashboard.png', dpi=300, bbox_inches='tight')
plt.show()

五、分析总结

  通过上述多种图表的可视化分析，我们可以从多个维度深入了解环境因素对机器性能的影响：

1. 柱状图：展示了不同环境因素与机器故障之间的关系，可以直观地看出哪些因素与机器故障的关联性较强。
2. 散点图：展示了空气质量与机器故障之间的关系，可以直观地看出空气质量对机器故障的影响。
3. 折线图：展示了机器运行温度与故障之间的关系，可以直观地看出运行温度对机器故障的影响。
4. 箱线图：展示了机器电流使用情况与故障之间的关系，可以直观地看出电流使用情况对机器故障的影响。
5. 热力图：展示了机器输入压力与故障之间的关系，可以直观地看出输入压力对机器故障的影响。
6. 雷达图：展示了机器旋转位置与故障之间的关系，可以直观地看出旋转位置对机器故障的影响。
7. 饼图：展示了挥发性有机化合物水平与故障之间的关系，可以直观地看出挥发性有机化合物水平对机器故障的影响。
8. 面积图：展示了超声波传感器数据与故障之间的关系，可以直观地看出超声波传感器数据对机器故障的影响。

  通过这些图表的可视化，我们可以更全面地了解环境因素对机器性能的影响，为机器的维护和优化提供有力的数据支持。