简洁的Python时间序列可视化实现

开发 后端
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。

[[272839]]

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。 

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

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

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

  1. print(plt.style.available)  
  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.  plt.style.use('fivethirtyeight')  
  4. ax1 = df.plot()  
  5. ax1.set_title('FiveThirtyEight Style')  
  6. 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。 

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

  1. dfdf_subset_1 = df['2018-01-01':'2019-01-01']  
  2. ax = df_subset_1.plot(color='blue'fontsize=10 
  3. 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。 

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

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

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

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

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

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

责任编辑:庞桂玉 来源: 菜鸟学Python
相关推荐

2022-08-26 09:15:58

Python可视化plotly

2017-10-14 13:54:26

数据可视化数据信息可视化

2020-03-11 14:39:26

数据可视化地图可视化地理信息

2022-09-29 11:16:21

Python数据可视化

2014-12-31 16:48:43

Touch touchevent多点触摸

2018-04-03 14:42:46

Python神经网络深度学习

2021-09-27 08:31:01

数据可视化柱状图折现图

2014-05-28 15:23:55

Rave

2023-09-19 15:44:03

Python数据可视化

2017-10-31 09:38:53

大数据数据可视化Python

2018-08-10 14:45:52

Python网络爬虫mongodb

2015-09-16 09:19:57

2020-05-26 11:34:46

可视化WordCloud

2021-02-21 08:11:46

PythonDash工具

2022-02-23 09:50:52

PythonEchartspyecharts

2009-04-21 14:26:41

可视化监控IT管理摩卡

2021-02-01 22:01:57

Coco工具macOS

2018-03-26 14:20:23

PythonMatplotlib数据可视化

2020-03-04 14:15:29

Python数据可视化代码

2018-03-24 21:38:54

Python数据库数据可视化
点赞
收藏

51CTO技术栈公众号