Apache ECharts 实现基于阈值分区的温度曲线图
2025-04-30 12:53:44作者:幸俭卉
在数据可视化项目中,我们经常需要根据特定阈值对图表进行分区显示。本文将以温度监控场景为例,详细介绍如何使用 Apache ECharts 实现基于 80° 阈值的分区曲线图效果。
需求分析
典型的需求场景是:
- 展示温度随时间变化的曲线
- 以 80° 为临界值
- 高于 80° 的区域用一种颜色填充
- 低于 80° 的区域用另一种颜色填充
这种可视化方式能直观地帮助用户识别超出安全阈值的温度区间。
技术实现方案
方案一:使用 stack 属性
ECharts 的 stack 属性可以很好地实现这种分区效果:
-
准备两组数据:
- 第一组:实际温度数据
- 第二组:固定为阈值 80 的数据
-
配置两个系列:
series: [ { name: '安全温度区', type: 'line', stack: 'total', areaStyle: { color: '#a0d911' }, // 安全区颜色 data: thresholdData // 固定80的数据 }, { name: '高温区', type: 'line', stack: 'total', areaStyle: { color: '#f5222d' }, // 高温区颜色 data: highTempData // 实际温度减去80的数据 } ] -
通过 stack 的叠加效果,自动形成分区填充
方案二:使用 visualMap 组件
虽然 visualMap 通常用于热力图等场景,但也可以用于曲线图的分区:
visualMap: {
type: 'piecewise',
show: false,
dimension: 1,
pieces: [
{ gt: 80, color: '#f5222d' }, // 高于80红色
{ lte: 80, color: '#a0d911' } // 低于80绿色
],
seriesIndex: 0
}
实现细节优化
-
坐标轴调整:
- 使用 grid 属性控制图表与容器的边距
- 通过 axisLabel 格式化温度单位显示
-
视觉增强:
- 添加标记线标记 80° 阈值
- 使用渐变色增强视觉效果
- 添加数据标签显示关键点温度值
-
交互优化:
- 添加 tooltip 显示详细温度信息
- 实现区域缩放功能
- 添加图例交互控制
完整配置示例
option = {
xAxis: { type: 'category', data: ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'] },
yAxis: { type: 'value', name: '温度(°C)' },
series: [
{
name: '安全区',
type: 'line',
stack: 'total',
areaStyle: { color: '#a0d911' },
data: [80, 80, 80, 80, 80, 80, 80]
},
{
name: '高温区',
type: 'line',
stack: 'total',
areaStyle: { color: '#f5222d' },
data: [20, 10, 15, 5, 10, 15, 20]
}
],
tooltip: { trigger: 'axis' },
legend: { data: ['安全区', '高温区'] }
};
应用场景扩展
这种基于阈值的分区技术不仅适用于温度监控,还可应用于:
- 服务器负载监控
- 空气质量指数展示
- 股票价格预警
- 生产质量指标控制
- 医疗健康指标监测
通过调整阈值和颜色方案,可以快速适配各种业务场景的需求。
总结
Apache ECharts 提供了多种实现阈值分区效果的技术方案,开发者可以根据具体需求选择最适合的方法。stack 方案实现简单直接,而 visualMap 则提供了更灵活的配置方式。掌握这些技术后,可以轻松创建出专业级的阈值预警可视化图表。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137