Python使用策略模式绘制图片分析多组数据

• 趋势分析：折线图
• 静态比较：条形图
• 分布分析：箱线图
• 离散情况：散点图

import matplotlib.pylab as plt
from abc import ABC, abstractmethod
import seaborn as sns
import pandas as pd
import plotly.graph_objects as go
import plotly.io as pio
import altair as alt
from bokeh.plotting import figure, output_file, show
from bokeh.io import output_file, show
from bokeh.palettes import Category20c
from bokeh.plotting import figure, show
from bokeh.transform import cumsum
from math import pi
import numpy as np
from bokeh.models import ColumnDataSource
from bokeh.models import ColumnDataSource, DatetimeTickFormatter
import matplotlib.dates as mdates
from colorcet import fire
import plotly.express as px
import holoviews as hv
from holoviews.operation.datashader import datashade

class PlotStrategy(ABC):
    # 抽象类：强制子类实现此方法
    @abstractmethod
    def plot(self, x_data, y_data, desc):
        pass


class LineMulPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('折线图')
        plt.clf()  # 清除当前图形内容
        arr_data = [d[list(d.keys())[0]] for d in y_data]  # 提取数据
        arr_key = [list(d.keys())[0] for d in y_data]

        plt.plot(x_data, arr_data[0], label=arr_key[0])
        plt.plot(x_data, arr_data[1], label=arr_key[1])

        plt.xlabel(desc[1])
        plt.ylabel(desc[2])
        plt.title(desc[0])
        plt.legend()
        # plt.show()
        plt.savefig('./lineMul.png')

class  BarMulPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('柱状图')
        plt.clf()  # 清除当前图形内容
        arr_data = [d[list(d.keys())[0]] for d in y_data]  # 提取数据
        arr_key = [list(d.keys())[0] for d in y_data]

        bar_width = 0.35  # 条形宽度
        x_offset = 0.2  # 每个条形图的水平偏移量

        # 绘制第一个条形图
        # np.arange() 函数的作用是生成一个等差序列的一维数组。
        # 如果 x_data 是一个有 5 个元素的列表，那么 np.arange(len(x_data)) 将生成一个包含 0、1、2、3、4 的整数数组
        plt.bar(np.arange(len(x_data)) - x_offset, arr_data[0], width=bar_width, label=arr_key[0])
        # 绘制第二个条形图
        plt.bar(np.arange(len(x_data)) + x_offset, arr_data[1], width=bar_width, label=arr_key[1])

        # plt.bar(x_data, arr_data[0])
        # plt.bar(x_data, arr_data[1])

        plt.xlabel(desc[1])
        plt.ylabel(desc[2])
        plt.title(desc[0])

        # plt.show()
        plt.savefig('./BarMul.png')

class  BoxMulPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('箱线图')
        plt.clf()  # 清除当前图形内容
        arr_data = [d[list(d.keys())[0]] for d in y_data]  # 提取数据
        arr_key = [list(d.keys())[0] for d in y_data]

        plt.boxplot(arr_data, tick_labels=arr_key)

        plt.xlabel(desc[1])
        plt.ylabel(desc[2])
        plt.title(desc[0])

        # plt.show()
        plt.savefig('./BoxMul.png')

class  ScatterMulPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('散点图')
        plt.clf()  # 清除当前图形内容
        arr_data = [d[list(d.keys())[0]] for d in y_data]  # 提取数据
        arr_key = [list(d.keys())[0] for d in y_data]

        plt.scatter(x_data, arr_data[0], label=arr_key[0])
        plt.scatter(x_data, arr_data[1], label=arr_key[1])

        plt.xlabel(desc[1])
        plt.ylabel(desc[2])
        plt.title(desc[0])
        # 显示label对应的图例
        plt.legend()

        # plt.show()
        plt.savefig('./ScatterMul.png')


class  BigDataCSVPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('大数据量：Matplotlib + Downsampling')
        plt.clf()  # 清除当前图形内容
        # 假设 df 是包含股票数据的 DataFrame，且有 'Date' 和 'Close' 列
        df = pd.read_csv('stock_data.csv', parse_dates=['Date'], index_col='Date')

        # 确保日期列被正确解析
        df.index = pd.to_datetime(df.index, format='%Y/%m/%d %H:%M')

        # 对数据进行重采样，比如按日、周或月
        df_resampled = df['Close'].resample('D').mean()  # 按天重采样并取平均值
        # 对数据进行重采样，比如按日、周或月
        df_resampled1 = df['High'].resample('D').mean()  # 按天重采样并取平均值

        plt.figure(figsize=(10, 6))
        plt.plot(df_resampled.index, df_resampled.values)
        plt.plot(df_resampled1.index, df_resampled1.values)

        # 设置横轴日期格式
        plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
        plt.gca().xaxis.set_major_locator(mdates.DayLocator(interval=1))  # 按天显示刻度

        # 自动格式化日期标签以避免重叠
        plt.gcf().autofmt_xdate()

        plt.xlabel('Date')
        plt.ylabel('Close Price')
        plt.title('Stock Close Price Over Time')
        # plt.show()
        plt.savefig('./BigDataCSV_plt.png')


class BigDataDatashaderPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('大数据量：Datashader')


class BigDataPlotlyPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('大数据量：Plotly')
        # 读取 CSV 文件并解析日期
        df = pd.read_csv('stock_data.csv', parse_dates=['Date'])
        # 假设 df 是包含股票数据的 DataFrame
        fig = px.line(df, x='Date', y=['Close','High'], title='Stock Close and High Price Over Time')
        # fig.show()
        fig.write_html('./BigDataplotly.html')

class BigDataBokehPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('大数据量：Bokeh')
        # 读取 CSV 文件并解析日期
        df = pd.read_csv('stock_data.csv')
        # 创建 Bokeh 的数据源 ColumnDataSource
        source = ColumnDataSource(df)
        # 创建 Bokeh 图表对象 figure，并设置图表属性
        p = figure(title='Stock Prices', x_axis_label='Time', y_axis_label='Price')

        # 在图表上添加绘图元素（折线图）
        p.line(x='Date', y='Close', source=source, legend_label='Close', line_width=2, color='blue')
        p.line(x='Date', y='High', source=source, legend_label='High', line_width=2, color='red')
        # 添加图例位置
        p.legend.location = "top_left"
        # 显示图表
        output_file("BigDatabokeh.html") # 不显示折现，显示label
        # show(p)

class BigDataHoloviewsPlotStrategy(PlotStrategy):
    def plot(self, x_data, y_data, desc):
        print('大数据量：Holoviews')
        # 读取 CSV 文件并解析日期
        df = pd.read_csv('stock_data.csv')
        # 将日期时间字符串转换为 datetime 对象
        df['Date'] = pd.to_datetime(df['Date'])
        hv.extension('bokeh')
        # 假设 df 是包含股票数据的 DataFrame
        curve = hv.Curve(df, 'Date',  ['Close', 'High'])
        shaded = datashade(curve)
        hv.save(shaded, 'BigDataHoloviews.html')

# Context类持有PlotStrategy的引用。可以通过set_strategy方法动态地更改策略
class Context:
    def __int__(self, strategy: PlotStrategy):
        # _ 开头的变量,表示这是一个受保护的变量
        # 该变量只在类内部及其子类中使用，而不应在类外部直接访问
        self._strategy = strategy

    def set_strategy(self, strategy: PlotStrategy):
        self._strategy = strategy

    def execute_strategy(self, x_data, y_data, desc):
        self._strategy.plot(x_data, y_data, desc)


x = ['A','B','C','D','E']
y = [
    {'key1':[2, 3, 6, 1, 4]},
    {'key2':[1, 2, 3, 4, 5]}
    ]
desc = ['title', 'x', 'y']


context = Context()

context.set_strategy(LineMulPlotStrategy())
context.execute_strategy(x, y, desc)

context.set_strategy(BarMulPlotStrategy())
context.execute_strategy(x, y, desc)

context.set_strategy(BoxMulPlotStrategy())
context.execute_strategy(x, y, desc)

context.set_strategy(ScatterMulPlotStrategy())
context.execute_strategy(x, y, desc)

context.set_strategy(BigDataCSVPlotStrategy())
context.execute_strategy(x, y, desc)

# context.set_strategy(BigDataDatashaderPlotStrategy())
# context.execute_strategy(x, y, desc)

context.set_strategy(BigDataPlotlyPlotStrategy())
context.execute_strategy(x, y, desc)

# context.set_strategy(BigDataBokehPlotStrategy())
# context.execute_strategy(x, y, desc)

context.set_strategy(BigDataHoloviewsPlotStrategy())
context.execute_strategy(x, y, desc)

折线图
柱状图
箱线图
散点图