简洁的Python时间序列可视化实现

时间序列数据在数据科学领域无处不在，在量化金融领域也十分常见，可以用于分析价格趋势，预测价格，探索价格行为等。

目前成都创新互联公司已为数千家的企业提供了网站建设、域名、网站空间、网站托管运营、企业网站设计、遂川网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

学会对时间序列数据进行可视化，能够帮助我们更加直观地探索时间序列数据，寻找其潜在的规律。

本文会利用Python中的matplotlib【1】库，并配合实例进行讲解。matplotlib库是一个用于创建出版质量图表的桌面绘图包（2D绘图库），是Python中最基本的可视化工具。

【工具】Python 3

【数据】Tushare

【注】示例注重的是方法的讲解，请大家灵活掌握。

1.单个时间序列

首先，我们从tushare.pro获取指数日线行情数据，并查看数据类型。

 
 
 
 
    
  
  
  
  
  1. import tushare as ts 
    2. 
  
  
  
  
  2. import pandas as pd 
    3. 
  
  
  
  
  3. pd.set_option('expand_frame_repr', False)  # 显示所有列 
    4. 
  
  
  
  
  4. ts.set_token('your token') 
    5. 
  
  
  
  
  5. pro = ts.pro_api() 
    6. 
  
  
  
  
  6. df = pro.index_daily(ts_code='399300.SZ')[['trade_date', 'close']] 
    7. 
  
  
  
  
  7. df.sort_values('trade_date', inplace=True)  
    8. 
  
  
  
  
  8. df.reset_index(inplace=True, drop=True) 
    9. 
  
  
  
  
  9. print(df.head()) 
    10. 
  
  
  
  
  10.   trade_date    close 
    11. 
  
  
  
  
  11. 0   20050104  982.794 
    12. 
  
  
  
  
  12. 1   20050105  992.564 
    13. 
  
  
  
  
  13. 2   20050106  983.174 
    14. 
  
  
  
  
  14. 3   20050107  983.958 
    15. 
  
  
  
  
  15. 4   20050110  993.879 
    16. 
  
  
  
  
  16. print(df.dtypes) 
    17. 
  
  
  
  
  17. trade_date     object 
    18. 
  
  
  
  
  18. close         float64 
    19. 
  
  
  
  
  19. dtype: object
    20.

交易时间列'trade_date' 不是时间类型，而且也不是索引，需要先进行转化。

 
 
 
 
    
  
  
  
  
  1. df['trade_date'] = pd.to_datetime(df['trade_date']) 
    2. 
  
  
  
  
  2. df.set_index('trade_date', inplace=True) 
    3. 
  
  
  
  
  3. print(df.head()) 
    4. 
  
  
  
  
  4.               close 
    5. 
  
  
  
  
  5. trade_date          
    6. 
  
  
  
  
  6. 2005-01-04  982.794 
    7. 
  
  
  
  
  7. 2005-01-05  992.564 
    8. 
  
  
  
  
  8. 2005-01-06  983.174 
    9. 
  
  
  
  
  9. 2005-01-07  983.958 
    10. 
  
  
  
  
  10. 2005-01-10  993.879
    11.

接下来，就可以开始画图了，我们需要导入matplotlib.pyplot【2】，然后通过设置set_xlabel()和set_xlabel()为x轴和y轴添加标签。

 
 
 
 
    
  
  
  
  
  1. import matplotlib.pyplot as plt 
    2. 
  
  
  
  
  2. ax = df.plot(color='') 
    3. 
  
  
  
  
  3. ax.set_xlabel('trade_date') 
    4. 
  
  
  
  
  4. ax.set_ylabel('399300.SZ close') 
    5. 
  
  
  
  
  5. plt.show()
    6.

matplotlib库中有很多内置图表样式可以选择，通过打印plt.style.available查看具体都有哪些选项，应用的时候直接调用plt.style.use('fivethirtyeight')即可。

 
 
 
 
    
  
  
  
  
  1. print(plt.style.available) 
    2. 
  
  
  
  
  2. ['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']
    3. 
  
  
  
  
  3.  plt.style.use('fivethirtyeight') 
    4. 
  
  
  
  
  4. ax1 = df.plot() 
    5. 
  
  
  
  
  5. ax1.set_title('FiveThirtyEight Style') 
    6. 
  
  
  
  
  6. plt.show()
    7.

2.设置更多细节

上面画出的是一个很简单的折线图，其实可以在plot()里面通过设置不同参数的值，为图添加更多细节，使其更美观、清晰。

figsize(width, height)设置图的大小，linewidth设置线的宽度，fontsize设置字体大小。然后，调用set_title()方法设置标题。

 
 
 
 
    
  
  
  
  
  1. ax = df.plot(color='blue', figsize=(8, 3), linewidth=2, fontsize=6) 
    2. 
  
  
  
  
  2. ax.set_title('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8) 
    3. 
  
  
  
  
  3. plt.show()
    4.

如果想要看某一个子时间段内的折线变化情况，可以直接截取该时间段再作图即可，如df['2018-01-01': '2019-01-01']

 
 
 
 
    
  
  
  
  
  1. dfdf_subset_1 = df['2018-01-01':'2019-01-01'] 
    2. 
  
  
  
  
  2. ax = df_subset_1.plot(color='blue', fontsize=10) 
    3. 
  
  
  
  
  3. plt.show()
    4.

如果想要突出图中的某一日期或者观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。

 
 
 
 
    
  
  
  
  
  1. ax = df.plot(color='blue', fontsize=6) 
    2. 
  
  
  
  
  2. ax.axvline('2019-01-01', color='red', linestyle='--') 
    3. 
  
  
  
  
  3. ax.axhline(3000, color='green', linestyle='--') 
    4. 
  
  
  
  
  4. plt.show()
    5.

也可以调用axvspan()的方法为一段时间添加阴影标注，其中alpha参数设置的是阴影的透明度，0代表完全透明，1代表全色。

 
 
 
 
    
  
  
  
  
  1. ax = df.plot(color='blue', fontsize=6) 
    2. 
  
  
  
  
  2. ax.axvspan('2018-01-01', '2019-01-01', color='red', alpha=0.3) 
    3. 
  
  
  
  
  3. ax.axhspan(2000, 3000, color='green', alpha=0.7) 
    4. 
  
  
  
  
  4. plt.show()
    5.

3.移动平均时间序列

有时候，我们想要观察某个窗口期的移动平均值的变化趋势，可以通过调用窗口函数rolling来实现。下面实例中显示的是，以250天为窗口期的移动平均线close，以及与移动标准差的关系构建的上下两个通道线upper和lower。

 
 
 
 
    
  
  
  
  
  1. ma = df.rolling(window=250).mean() 
    2. 
  
  
  
  
  2. mstd = df.rolling(window=250).std() 
    3. 
  
  
  
  
  3. ma['upper'] = ma['close'] + (mstd['close'] * 2) 
    4. 
  
  
  
  
  4. ma['lower'] = ma['close'] - (mstd['close'] * 2) 
    5. 
  
  
  
  
  5. ax = ma.plot(linewidth=0.8, fontsize=6) 
    6. 
  
  
  
  
  6. ax.set_xlabel('trade_date', fontsize=8) 
    7. 
  
  
  
  
  7. ax.set_ylabel('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8) 
    8. 
  
  
  
  
  8. ax.set_title('Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04', fontsize=10) 
    9. 
  
  
  
  
  9. plt.show()
    10.

4.多个时间序列

如果想要可视化多个时间序列数据，同样可以直接调用plot()方法。示例中我们从tushare.pro上面选取三只股票的日线行情数据进行分析。

 
 
 
 
    
  
  
  
  
  1. # 获取数据 
    2. 
  
  
  
  
  2. code_list = ['000001.SZ', '000002.SZ', '600000.SH'] 
    3. 
  
  
  
  
  3. data_list = [] 
    4. 
  
  
  
  
  4. for code in code_list: 
    5. 
  
  
  
  
  5.     print(code) 
    6. 
  
  
  
  
  6.     df = pro.daily(ts_code=code, start_date='20180101', end_date='20190101')[['trade_date', 'close']] 
    7. 
  
  
  
  
  7.     df.sort_values('trade_date', inplace=True) 
    8. 
  
  
  
  
  8.     df.rename(columns={'close': code}, inplace=True) 
    9. 
  
  
  
  
  9.     df.set_index('trade_date', inplace=True) 
    10. 
  
  
  
  
  10.     data_list.append(df) 
    11. 
  
  
  
  
  11. df = pd.concat(data_list, axis=1) 
    12. 
  
  
  
  
  12. print(df.head()) 
    13. 
  
  
  
  
  13. 000001.SZ 
    14. 
  
  
  
  
  14. 000002.SZ 
    15. 
  
  
  
  
  15. 600000.SH 
    16. 
  
  
  
  
  16.             000001.SZ  000002.SZ  600000.SH 
    17. 
  
  
  
  
  17. trade_date                                  
    18. 
  
  
  
  
  18. 20180102        13.70      32.56      12.72 
    19. 
  
  
  
  
  19. 20180103        13.33      32.33      12.66 
    20. 
  
  
  
  
  20. 20180104        13.25      33.12      12.66 
    21. 
  
  
  
  
  21. 20180105        13.30      34.76      12.69 
    22. 
  
  
  
  
  22. 20180108        12.96      35.99      12.68 
    23. 
  
  
  
  
  23. # 画图 
    24. 
  
  
  
  
  24. ax = df.plot(linewidth=2, fontsize=12) 
    25. 
  
  
  
  
  25. ax.set_xlabel('trade_date') 
    26. 
  
  
  
  
  26. ax.legend(fontsize=15) 
    27. 
  
  
  
  
  27. plt.show()
    28.

调用.plot.area()方法可以生成时间序列数据的面积图，显示累计的总数。

 
 
 
 
    
  
  
  
  
  1. ax = df.plot.area(fontsize=12) 
    2. 
  
  
  
  
  2. ax.set_xlabel('trade_date') 
    3. 
  
  
  
  
  3. ax.legend(fontsize=15) 
    4. 
  
  
  
  
  4. plt.show()
    5.

如果想要在不同子图中单独显示每一个时间序列，可以通过设置参数subplots=True来实现。layout指定要使用的行列数，sharex和sharey用于设置是否共享行和列，colormap='viridis' 为每条线设置不同的颜色。

 
 
 
 
    
  
  
  
  
  1. df.plot(subplots=True, 
    2. 
  
  
  
  
  2.           layout=(2, 2), 
    3. 
  
  
  
  
  3.           sharex=False, 
    4. 
  
  
  
  
  4.           sharey=False, 
    5. 
  
  
  
  
  5.           colormap='viridis', 
    6. 
  
  
  
  
  6.           fontsize=7, 
    7. 
  
  
  
  
  7.           legend=False, 
    8. 
  
  
  
  
  8.           linewidth=0.3) 
    9. 
  
  
  
  
  9. plt.show()
    10.

5.总结

本文主要介绍了如何利用Python中的matplotlib库对时间序列数据进行一些简单的可视化操作，包括可视化单个时间序列并设置图中的细节，可视化移动平均时间序列和多个时间序列。

网页名称：简洁的Python时间序列可视化实现
本文来源：http://www.mswzjz.com/qtweb/news1/205051.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

网站导航知识

分类信息网

手机网站建设公司　　 　温江电信机房　　 　成都服务器托管　　 　成都学生服定制　　 　手机网站设计　　 　网站seo　　 　移动APP　　 　西云服务器托管　　 　成都小程序　　 　wap手机网站　　 　乐山主机托管　　 　成都网站推广公司　　 　成都做网站　　 　成都电商网站建设方案　　 　四川绵阳主机托管　　 　免备案空间　　 　公司网站建设　　 　成都企业网站改版　　 　成都广告公司　　 　响应式网站