Wykres Seorborn Time Series

Szereg czasowy to rodzaj danych, w których widzimy zestaw pomiarów w danym okresie. Każda obserwacja ma swój znacznik czasu. Ceny akcji, odczyty czujników, dane obserwowane programem i inne rodzaje danych to przykłady tego rodzaju danych. W tym samouczku użyjemy modułu morskiego i pandas do wykreślenia analizy szeregów czasowych w Pythonie. Przed zbudowaniem działki szeregów czasowych zbadajmy kilka koncepcji.

Wykres czasowy (znany również jako wykres statystyczny) pokazuje wartości, gdy zmieniają się one w czasie. Są jak wykresy X-Y. Jednak wykresy czasowe mogą reprezentować czas tylko na osi x. Podczas gdy wykresy X-Y mogą wykreślić różne zmienne „X”, takie jak wysokość, waga i wiek. Te fabuły nie zawierają kategorii, w przeciwieństwie do wykresów kołowych i wykresów barowych. Wykresy czasowe są przydatne w wyświetlaniu postępu danych w czasie. Na przykład ten typ wykresu może być przydatny, jeśli analizowałeś dane w odstępach dziwnych.

Załóżmy, że wykreślamy wykresy czasowe z modułem panda. Pandy to biblioteka typu open source oparta na Numpy. Moduł Python zapewnia wiele struktur danych i metod przetwarzania danych numerycznych i statystycznych. Jest najbardziej znany z tego, że import i analiza danych znacznie prostsza. Pandy są szybkie, wysoko wydajne i przyjazne dla użytkownika.

Przykład 1: Tworzenie prostego wykresu szeregów czasowych za pomocą wykresu liniowego

Użyliśmy modułów Pythona do budowy działek szeregów czasowych. Moduły te obejmują moduły Seaorn, Pandy i Matplotlib. Po dodaniu tych modułów utworzyliśmy dane, wywołując funkcję ramki danych pandy i wstawiliśmy „datę” pola dla osi x i trzech kolejnych pól dla osi y. W polu daty ma dane z serii czasu, a inne pola mają tylko listy liczb losowych.

Następnie mamy funkcję wykresu linii morskiej, w której ustawiane są parametry zmienne X i Y, i przekazują całą ramkę danych w niej, która jest przechowywana w zmiennej „DF”. Ten wykres liniowy tworzy wykres szeregów czasowych i zdefiniowaliśmy lokalizację XTicks.

importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
importować pandy jako PD
df = pd.DataFrame ('data': ['2021-04-01', '2022-05-01' ',
„2022-06-01”, „2022-07-01”,
„2022-08-01”, „2022-09-01”,
„2022-10-01”, „2022-11-01”,
„2022-12-01”],
„A”: [35, 47, 18, 12, 11, 10, 31, 29, 62],
„B”: [72, 66, 78, 13, 19, 25, 35, 45, 86],
„C”: [23, 73, 82, 28, 62, 87, 26, 45, 56],
„D”: [22, 75, 26, 34, 15, 14, 54, 25, 24])
Sns.LinePlot (x = "date", y = "a",
dane = df)
plt.XTicks (rotacja = 20)
plt.pokazywać()

Działka serii Times jest renderowana na poniższym rysunku. Ta liczba jest wykresem serii czasowych jednorodnych:

Przykład 2: Tworzenie wykresu szeregów czasowych z wieloma kolumnami za pomocą wykresu liniowego

Poprzedni wykres szeregów czasowych jest renderowany za pomocą jednej kolumny. Tutaj importowaliśmy moduły Seaorn, Panda i Matplotlib do renderowania fabuły szeregów czasowych. Następnie utworzyliśmy dane z definiowanymi czterema pól. Pierwsze pole jest ustawione na daty i ustawia datę nazwiska. W innych polach ustawiliśmy nazwę samochodu, która pokazuje sprzedaż samochodu w określonym terminie.

Potem dwa razy nazywaliśmy działkę linii Seaorn, ale z nazwami różnych pól. Oś X jest przypisana do daty pola, a oś y przypisuje się z polem BMW i Alto. Ustawiliśmy etykietę dla osi Y i obrotu sztuczek dla osi X o kątu 20.

importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
importować pandy jako PD
df = pd.DataFrame ('data': ['2021-04-01', '2022-05-01' ',
„2022-06-01”, „2022-07-01”,
„2022-08-01”, „2022-09-01”,
„2022-10-01”, „2022-11-01”,
„2022-12-01”],
„BMW”: [14, 43, 24, 15, 45, 14, 11, 25, 65],
„Ferrai”: [42, 26, 88, 35, 75, 5, 15, 25, 82],
„Alto”: [19, 43, 62, 58, 52, 87, 36, 5, 26],
„Civic”: [54, 15, 46, 15, 65, 24, 74, 15, 24])
Sns.LinePlot (x = "date", y = "bmw", data = df)
Sns.LinePlot (x = "date", y = "alto", data = df)
plt.YLABEL („BMW i Alto”)
plt.XTicks (rotacja = 20)
plt.pokazywać()

Wykres szeregów czasowych jest wizualizowany z wieloma pól na następującym wykresie: Rysunek:

Przykład 3: Utwórz wiele wykresów szeregów czasowych za pomocą wykresu liniowego

Możemy tworzyć wiele działek szeregów czasowych z kilkoma kolumnami. Tutaj mamy przykładową ilustrację, w której stworzyliśmy cztery wykresy szeregów czasowych z funkcją wykresu liniowego. Najpierw utworzyliśmy dane wewnątrz zmiennej reprezentowanej przez nazwę DF. Następnie utworzyliśmy wątki dla wykresu szeregów czasowych, w których ustawiliśmy również rozmiar figur w funkcji wątku wątku.

Dla każdego wątku ustawiliśmy obrót kleszczy. W wykresie liniowym przypisaliśmy kolumny dla parametrów x i y i ustawiliśmy kolor każdego wątku, podając nazwy kolorów. Jest jeden dodatkowy parametr; cicik_layout jest ustawiony z wartością dostosowującą wyściółkę podrzędnych.

Importuj Seaorn jako SNS
importować pandy jako PD
importować matplotlib.Pyplot as Plt
df = pd.DataFrame ('data': ['2022-05-01', '2022-06-01' ',
„2022-07-01”, „2022-08-01”,
„2022-09-01”, „2022-10-01”,
„2022-11-01”, „2022-12-01”],
„Col_a”: [47, 18, 12, 11, 10, 31, 29, 62],
„col_b”: [66, 78, 13, 19, 25, 35, 45, 86],
„Col_C”: [73, 82, 28, 62, 87, 26, 45, 56],
„col_d”: [75, 26, 34, 15, 14, 54, 25, 24])
Ryc, ax = plt.wątki (2, 2, rysunek = (10, 6))
Sns.LinePlot (x = „data”, y = „col_a”,
color = 'g', data = df,
ax = ax [0] [0])
ax [0] [0].tick_params (elegancotation = 15)
Sns.LinePlot (x = "date", y = "col_b",
color = 'b', data = df,
ax = ax [0] [1])
AX [0] [1].tick_params (elegancotation = 15)
Sns.LinePlot (x = "date", y = "col_c",
color = 'r', data = df,
ax = ax [1] [0])
AX [1] [0].tick_params (elegancotation = 15)
Sns.LinePlot (x = "date", y = "col_d",
color = 'y', data = df,
ax = ax [1] [1])
AX [1] [1].tick_params (elegancotation = 15)
Figa.cicik_layout (pad = 1.25)
plt.pokazywać()

Tutaj mamy wiele reprezentacji fabuły szeregów czasowych z różnymi kolumnami i różnymi liniami kolorów za pomocą wykresu liniowego.

Przykład 4: Utwórz wykres szeregów czasowych za pomocą wykresu baru

Zaobserwowane wartości przedstawiono w prostokątnych słupkach za pomocą wykresu baru. Technika Seaorn Barplot () służy do konstruowania wykresów słupkowych w module Pythona. Podczas wyświetlania ciągłych danych szeregowych można zastosować wykres paska.

Następnie ustawiliśmy dane dla wykresu szeregów czasowych za pomocą funkcji modułu panda o nazwie ramka danych. W ramce danych ustawiliśmy daty i utworzyliśmy listę liczb reprezentujących procent frekwencji. Dzięki funkcji To_DateTime () ustawiliśmy format daty dla wykresów szeregów czasowych. Zdefiniowaliśmy również rozmiar postaci wykresu szeregów czasowych. Następnie mamy funkcję Barplot (), która przyjmuje wartości parametrów x i y dla wykresu szeregów czasowych.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df = pd.DataFrame ("data": [01052022 ',' 01062022 ',' 01072022 ',' 01082022 '',
„01092022”, „01102022”],
„Frekwencja”: [88,78,90,68,84,75])
df [„data”] = pd.To_DateTime (df [„data”], format = "%d%m%y")
plt.Rysunek (rysunek = (10,9))
Sns.BARPLOT (x = „data”, y = „frekwencja”, data = df)
plt.pokazywać()

W przypadku danych serii czasowych następujący wykres zawiera alternatywną wizualizację:

Wniosek

Jest to podstawowe podsumowanie sposobu generowania wykresów szeregów czasowych dla danych wejściowych związanych z czasem. Gdy masz kilka punktów danych w określonym okresie czasu, wykres szeregów czasowych jest doskonałym podejściem do reprezentowania danych. Od tworzenia małego zestawu danych z sekwencją pandy po integrację rzeczywistego zestawu danych i wykreślanie wykresów szeregów czasowych w zależności od twoich potrzeb, ten artykuł prowadzi Cię przez wszystko, co musisz wiedzieć.