掌握Python八種繪圖類型帶你深入時間序列數據分析
作者：濤哥聊Python
折線圖常用于展示時間序列數據的趨勢和變化，散點圖用于呈現離散數據點的分布。柱狀圖適合比較不同時間點或組之間的數據，而面積圖可以突出數據點之間的關系。
時間序列數據是許多領域的核心，從金融市場到氣象學，都需要對時間序列數據進行分析和可視化。
Python提供了豐富的庫和工具，用于處理和繪制時間序列數據。
以下8種不同的繪圖類型，在分析時間序列數據比較常用。
1、折線圖
折線圖是最常見的時間序列數據可視化類型之一。它顯示了數據隨時間的變化趨勢，通常以連續的折線表示。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
'數值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}
df = pd.DataFrame(data)
plt.plot(df['日期'], df['數值'])
plt.xlabel('日期')
plt.ylabel('數值')
plt.title('折線圖')
plt.show()2、散點圖
散點圖用于表示數據點的分布和關系，適合展示時間序列數據中的離散觀測。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
'數值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}
df = pd.DataFrame(data)
plt.scatter(df['日期'], df['數值'])
plt.xlabel('日期')
plt.ylabel('數值')
plt.title('散點圖')
plt.show()3、柱狀圖
柱狀圖適用于展示時間序列數據的分組或分類，通常用于比較不同時間點或不同組之間的數據。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'日期': pd.date_range(start='2023-01-01', periods=5, freq='D'),
'數值1': [10, 15, 13, 12, 18],
'數值2': [5, 8, 7, 6, 10]}
df = pd.DataFrame(data)
df.set_index('日期', inplace=True)
df.plot(kind='bar')
plt.xlabel('日期')
plt.ylabel('數值')
plt.title('柱狀圖')
plt.show()4、面積圖
面積圖是折線圖的一種變體，用于顯示時間序列數據的趨勢和數據點之間的關系。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
'數值1': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4],
'數值2': [5, 8, 7, 6, 10, 12, 15, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 35, 30, 25, 20, 15, 10, 5, 4, 3, 2]}
df = pd.DataFrame(data)
plt.fill_between(df['日期'], df['數值1'], df['數值2'], color='lightblue')
plt.xlabel('日期')
plt.ylabel('數值')
plt.title('面積圖')
plt.show()5、箱線圖
箱線圖用于顯示時間序列數據的統計分布，包括中位數、四分位數和異常值。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'日期': pd.date_range(start='2023-01-01', periods=30, freq='D'),
'數值': [10, 15, 13, 12, 18, 20, 22, 25, 28, 30, 35, 40, 38, 36, 34, 32, 30, 28, 26, 24, 22, 20, 18, 16, 14, 12, 10, 8, 6, 4]}
df = pd.DataFrame(data)
plt.boxplot(df['數值'])
plt.xticks([1], ['數值'])
plt.title('箱線圖')
plt.show()6、餅圖
餅圖用于顯示時間序列數據的占比和相對比例，適用于表示各部分在整體中的貢獻。
import matplotlib.pyplot as plt
# 創建數據
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.title('餅圖')
plt.show()7、熱圖
熱圖用于可視化時間序列數據的關系和相似性，通常用于呈現多維數據集。
import seaborn as sns
import pandas as pd
# 創建時間序列數據
data = {'時間': pd.date_range(start='2023-01-01', periods=10, freq='D'),
'特征1': [3, 1, 4, 2, 6, 8, 7, 5, 9, 10],
'特征2': [7, 8, 6, 9, 5, 4, 2, 3, 1, 10]}
df = pd.DataFrame(data)
corr_matrix = df.corr()
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.title('熱圖')
plt.show()8、雷達圖
雷達圖用于展示多個維度的時間序列數據，比較不同類別或時間點的數據分布。
import matplotlib.pyplot as plt
import pandas as pd
# 創建時間序列數據
data = {'時間': pd.date_range(start='2023-01-01', periods=1, freq='D'),
'維度1': [3],
'維度2': [7],
'維度3': [5],
'維度4': [9],
'維度5': [6]}
df = pd.DataFrame(data)
categories = list(df.columns[2:])
values = df.iloc[:, 2:].values[0]
fig, ax = plt.subplots(figsize=(6, 6))
angles = [n / float(len(categories)) * 2 * 3.14159265359 for n in range(len(categories))]
angles += angles[:1]
plt.polar(angles, values)
plt.fill(angles, values, 'b', alpha=0.1)
plt.xticks(angles[:-1], categories)
plt.title('雷達圖')
plt.show()總結
Python進行時間序列分析的8種常見繪圖類型，每種類型都具有獨特的用途和適用場景。
折線圖常用于展示時間序列數據的趨勢和變化，散點圖用于呈現離散數據點的分布。柱狀圖適合比較不同時間點或組之間的數據，而面積圖可以突出數據點之間的關系。箱線圖有助于了解數據的分布和離群值。餅圖適用于顯示數據占比，熱圖用于呈現多維數據的關系，而雷達圖展示多個維度的時間序列數據。
通過運用這些繪圖技巧，可以提高對時間序列數據的洞察力，發現隱藏在數據中的信息，從而做出更明智的決策和預測。
責任編輯：姜華
來源：
今日頭條
