Python实现时间序列可视化的方法
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。
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。
import tushare as ts
import pandas as pd
pd.set_option('expand_frame_repr', False) # 显示所有列
ts.set_token('your token')
pro = ts.pro_api()
df = pro.index_daily(ts_code='399300.SZ')[['trade_date', 'close']]
df.sort_values('trade_date', inplace=True)
df.reset_index(inplace=True, drop=True)
print(df.head())
trade_date close
0 20050104 982.794
1 20050105 992.564
2 20050106 983.174
3 20050107 983.958
4 20050110 993.879
print(df.dtypes)
trade_date object
close float64
dtype: object
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。
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)
print(df.head())
close
trade_date
2005-01-04 982.794
2005-01-05 992.564
2005-01-06 983.174
2005-01-07 983.958
2005-01-10 993.879
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。
import matplotlib.pyplot as plt
ax = df.plot(color='')
ax.set_xlabel('trade_date')
ax.set_ylabel('399300.SZ close')
plt.show()
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。
print(plt.style.available)
['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']
plt.style.use('fivethirtyeight')
ax1 = df.plot()
ax1.set_title('FiveThirtyEight Style')
plt.show()
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。
ax = df.plot(color='blue', figsize=(8, 3), linewidth=2, fontsize=6)
ax.set_title('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8)
plt.show()
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']
dfdf_subset_1 = df['2018-01-01':'2019-01-01'] ax = df_subset_1.plot(color='blue', fontsize=10)
plt.show()
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。
ax = df.plot(color='blue', fontsize=6)
ax.axvline('2019-01-01', color='red', linestyle='--')
ax.axhline(3000, color='green', linestyle='--')
plt.show()
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。
ax = df.plot(color='blue', fontsize=6)
ax.axvspan('2018-01-01', '2019-01-01', color='red', alpha=0.3)
ax.axhspan(2000, 3000, color='green', alpha=0.7)
plt.show()
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。
ma = df.rolling(window=250).mean()
mstd = df.rolling(window=250).std()
ma['upper'] = ma['close'] + (mstd['close'] * 2)
ma['lower'] = ma['close'] - (mstd['close'] * 2)
ax = ma.plot(linewidth=0.8, fontsize=6)
ax.set_xlabel('trade_date', fontsize=8)
ax.set_ylabel('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8)
ax.set_title('Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04', fontsize=10)
plt.show()
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。
# 获取数据
code_list = ['000001.SZ', '000002.SZ', '600000.SH']
data_list = []
for code in code_list:
print(code)
df = pro.daily(ts_code=code, start_date='20180101', end_date='20190101')[['trade_date', 'close']]
df.sort_values('trade_date', inplace=True)
df.rename(columns={'close': code}, inplace=True)
df.set_index('trade_date', inplace=True)
data_list.append(df)
df = pd.concat(data_list, axis=1)
print(df.head())
000001.SZ
000002.SZ
600000.SH
000001.SZ 000002.SZ 600000.SH
trade_date
20180102 13.70 32.56 12.72
20180103 13.33 32.33 12.66
20180104 13.25 33.12 12.66
20180105 13.30 34.76 12.69
20180108 12.96 35.99 12.68
# 画图
ax = df.plot(linewidth=2, fontsize=12)
ax.set_xlabel('trade_date')
ax.legend(fontsize=15)
plt.show()
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。
ax = df.plot.area(fontsize=12)
ax.set_xlabel('trade_date')
ax.legend(fontsize=15)
plt.show()
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。
df.plot(subplots=True,
layout=(2, 2),
sharex=False,
sharey=False,
colormap='viridis',
fontsize=7,
legend=False,
linewidth=0.3)
plt.show()
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。
以上所述是小编给大家介绍的Python实现时间序列可视化的方法,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
相关文章
今天小编就为大家分享一篇解决Python logging模块无法正常输出日志的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-02-02
这篇文章主要介绍了python openpyxl使用方法详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
下面小编就为大家分享一篇利用Python在一个文件的头部插入数据的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-05-05
python3 实现爬取TOP500的音乐信息并存储到mongoDB数据库中
今天小编就为大家分享一篇python3 实现爬取TOP500的音乐信息并存储到mongoDB数据库中，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-08-08
这篇文章主要介绍了在PyQt中使用QProcess运行一个进程,本例中通过按下按钮，启动了windows系统自带的记事本程序，即notepad.exe, 因为它在windows的系统目录下，该目录已经加在了系统的PATH环境变量中，所以不需要特别指定路径，需要的朋友可以参考下2022-12-12
循环链表 (Circular Linked List) 是链式存储结构的另一种形式，它将链表中最后一个结点的指针指向链表的头结点，使整个链表头尾相接形成一个环形，使链表的操作更加方便灵活。本文将详细介绍一下循环链表的相关知识，需要的可以参考一下2022-01-01
Visdom:一个灵活的可视化工具，可用来对于 实时，富数据的 创建，组织和共享，本文主要介绍了python第三方库visdom的使用入门教程，分享给大家，感兴趣的可以了解一下2021-05-05
这篇文章主要给大家介绍了关于python中dropna()函数的相关资料,dropna()是pandas库中的一个函数,用于删除DataFrame中的缺失值,文中通过代码介绍的非常详细,需要的朋友可以参考下2023-11-11
这篇文章主要介绍了利用tkinter实现下拉框联动问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-01-01
这篇文章主要介绍了python采集百度搜索结果带有特定URL的链接代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-08-08
最新评论