Python實現(xiàn)時間序列可視化的方法

更新時間：2019年08月06日 11:09:56 作者：佚名

matplotlib庫是一個用于創(chuàng)建出版質(zhì)量圖表的桌面繪圖包（2D繪圖庫），是Python中最基本的可視化工具。這篇文章主要介紹了Python時間序列可視化實現(xiàn),需要的朋友可以參考下

時間序列數(shù)據(jù)在數(shù)據(jù)科學領域無處不在，在量化金融領域也十分常見，可以用于分析價格趨勢，預測價格，探索價格行為等。

學會對時間序列數(shù)據(jù)進行可視化，能夠幫助我們更加直觀地探索時間序列數(shù)據(jù)，尋找其潛在的規(guī)律。

本文會利用Python中的matplotlib【1】庫，并配合實例進行講解。matplotlib庫是一個用于創(chuàng)建出版質(zhì)量圖表的桌面繪圖包（2D繪圖庫），是Python中最基本的可視化工具。

【工具】Python 3

【數(shù)據(jù)】Tushare

【注】示例注重的是方法的講解，請大家靈活掌握。

1.單個時間序列

首先，我們從tushare.pro獲取指數(shù)日線行情數(shù)據(jù)，并查看數(shù)據(jù)類型。

import tushare as ts 
import pandas as pd 
pd.set_option('expand_frame_repr', False) # 顯示所有列 
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

交易時間列'trade_date' 不是時間類型，而且也不是索引，需要先進行轉化。

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

接下來，就可以開始畫圖了，我們需要導入matplotlib.pyplot【2】，然后通過設置set_xlabel()和set_xlabel()為x軸和y軸添加標簽。

import matplotlib.pyplot as plt 
ax = df.plot(color='') 
ax.set_xlabel('trade_date') 
ax.set_ylabel('399300.SZ close') 
plt.show()

matplotlib庫中有很多內(nèi)置圖表樣式可以選擇，通過打印plt.style.available查看具體都有哪些選項，應用的時候直接調(diào)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.設置更多細節(jié)

上面畫出的是一個很簡單的折線圖，其實可以在plot()里面通過設置不同參數(shù)的值，為圖添加更多細節(jié)，使其更美觀、清晰。

figsize(width, height)設置圖的大小，linewidth設置線的寬度，fontsize設置字體大小。然后，調(diào)用set_title()方法設置標題。

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()

如果想要看某一個子時間段內(nèi)的折線變化情況，可以直接截取該時間段再作圖即可，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()

如果想要突出圖中的某一日期或者觀察值，可以調(diào)用.axvline()和.axhline()方法添加垂直和水平參考線。

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

也可以調(diào)用axvspan()的方法為一段時間添加陰影標注，其中alpha參數(shù)設置的是陰影的透明度，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.移動平均時間序列

有時候，我們想要觀察某個窗口期的移動平均值的變化趨勢，可以通過調(diào)用窗口函數(shù)rolling來實現(xiàn)。下面實例中顯示的是，以250天為窗口期的移動平均線close，以及與移動標準差的關系構建的上下兩個通道線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.多個時間序列

如果想要可視化多個時間序列數(shù)據(jù)，同樣可以直接調(diào)用plot()方法。示例中我們從tushare.pro上面選取三只股票的日線行情數(shù)據(jù)進行分析。

# 獲取數(shù)據(jù) 
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 
# 畫圖 
ax = df.plot(linewidth=2, fontsize=12) 
ax.set_xlabel('trade_date') 
ax.legend(fontsize=15) 
plt.show()

調(diào)用.plot.area()方法可以生成時間序列數(shù)據(jù)的面積圖，顯示累計的總數(shù)。

ax = df.plot.area(fontsize=12) 
ax.set_xlabel('trade_date') 
ax.legend(fontsize=15) 
plt.show()

如果想要在不同子圖中單獨顯示每一個時間序列，可以通過設置參數(shù)subplots=True來實現(xiàn)。layout指定要使用的行列數(shù)，sharex和sharey用于設置是否共享行和列，colormap='viridis' 為每條線設置不同的顏色。

df.plot(subplots=True, 
     layout=(2, 2), 
     sharex=False, 
     sharey=False, 
     colormap='viridis', 
     fontsize=7, 
     legend=False, 
     linewidth=0.3) 
plt.show()