4. 时间序列数据可视化
任务说明
本案例使用Matplotlib绘制一个温度传感器的时间序列数据图，数据模拟工业设备每10秒采集一次的温度读数，持续24小时。目标是通过折线图展示温度的整体趋势，并利用阈值检测在图上高亮标记异常点（超出正常范围的数据）。
实现方案
代码首先生成24小时内的模拟温度数据（含正常波动与人为注入的异常尖峰），然后计算滑动平均值以平滑噪声并突出趋势，最后通过上下阈值识别异常点，在折线图上用红色散点标记。图表包含图例、网格和阈值参考线，便于直接观察趋势与异常。
完整代码
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.dates import DateFormatter
# ---------- 1. 生成模拟传感器数据 ----------
np.random.seed(42)
time_steps = 8640 # 24小时 * 3600秒 / 10秒
time_index = pd.date_range(start="2024-01-01 00:00:00", periods=time_steps, freq="10s")
# 基础温度：24°C + 昼夜波动 + 随机噪声
hour_of_day = time_index.hour + time_index.minute / 60
daily_cycle = 3 * np.sin(2 * np.pi * (hour_of_day - 6) / 24) # 最低温在凌晨6点
noise = np.random.normal(0, 0.5, time_steps)
temperature = 24 + daily_cycle + noise
# 注入5个异常尖峰（模拟传感器故障或环境突变）
anomaly_positions = [1000, 3000, 5200, 7000, 8200]
for pos in anomaly_positions:
temperature[pos] += np.random.choice([-8, 8]) # 大幅偏离
# ---------- 2. 计算滑动平均（趋势线） ----------
df = pd.DataFrame({"time": time_index, "temp": temperature})
df["trend"] = df["temp"].rolling(window=30, center=True).mean()
# ---------- 3. 异常检测（阈值法） ----------
LOWER, UPPER = 20.0, 32.0
df["is_anomaly"] = (df["temp"] < LOWER) | (df["temp"] > UPPER)
anomalies = df[df["is_anomaly"]]
# ---------- 4. 绘制时间序列图 ----------
fig, ax = plt.subplots(figsize=(14, 6))
# 原始数据（浅色细线）与趋势线（深色粗线）
ax.plot(df["time"], df["temp"], color="#94a3b8", linewidth=0.8, alpha=0.7, label="原始数据")
ax.plot(df["time"], df["trend"], color="#2563eb", linewidth=2.0, label="趋势（滑动平均）")
# 异常点高亮
ax.scatter(anomalies["time"], anomalies["temp"], color="#dc2626", s=40,
zorder=5, label=f"异常点 (n={len(anomalies)})")
# 阈值参考线
ax.axhline(y=LOWER, color="#f59e0b", linestyle="--", linewidth=1.2, label=f"下限 {LOWER}°C")
ax.axhline(y=UPPER, color="#f59e0b", linestyle="--", linewidth=1.2, label=f"上限 {UPPER}°C")
# 坐标轴与格式
ax.set_xlabel("时间", fontsize=12)
ax.set_ylabel("温度 (°C)", fontsize=12)
ax.set_title("传感器温度时间序列 - 趋势与异常检测", fontsize=14, fontweight="bold")
ax.xaxis.set_major_formatter(DateFormatter("%m-%d %H:%M"))
ax.legend(loc="upper right", fontsize=10)
ax.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
# 保存图片（可选）
# plt.savefig("sensor_timeseries.png", dpi=150)
plt.show()
# ---------- 验证输出 ----------
print(f"数据点总数: {len(df)}")
print(f"检测到异常点数量: {len(anomalies)}")
print(f"温度范围: {df['temp'].min():.2f}°C ~ {df['temp'].max():.2f}°C")
print("异常点时间分布:")
print(anomalies[["time", "temp"]].head(10).to_string(index=False))运行与验证
依赖安装：确保已安装 numpy、pandas、matplotlib，可通过 pip install numpy pandas matplotlib 安装。
运行方式：将代码保存为 timeseries_plot.py，在终端执行 python timeseries_plot.py。
验证判定标准：
- 程序正常弹出窗口并显示折线图，无报错；
- 图中可见蓝色趋势线平滑跟随灰色原始数据波动；
- 红色散点恰好标记5个注入的异常位置（时间点1000、3000、5200、7000、8200附近）；
- 控制台输出“检测到异常点数量: 5”，且温度范围包含低于20°C或高于32°C的极值。
若以上条件均满足，则说明时间序列可视化与异常检测功能实现正确。