1. 什么是时间序列

同一统计指标数值按照时间先后顺序排列而成的数据。本质上是反映一个变量随时间序列变化的趋势。

简单的例子就像是学生每一年的身高数据，这个也是一个时间序列。变量是我们的身高;每一年都不一样。
我们支付宝或者微信的零钱，每一天每一个月都有一个实际的值。

2. 在python中如何导入时间序列数据`

from dateutil.parser import parse  #关于时间的函数
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd
import datetime  #关于日期的函数plt.rcParams.update({'figure.figsize': (10, 7), 'figure.dpi': 120})# Import as Dataframe
df = pd.read_csv('../datasets/a10.csv', parse_dates=['date'])
df.head()

    date     value

0 1991-07-01 3.526591
1 1991-08-01 3.180891
2 1991-09-01 3.252221
3 1991-10-01 3.611003
4 1991-11-01 3.565869``

3.面板数据

有多个时间节点，且每一个时间节点上有多个维度的数据

4. 可视化时间序列

##获得数据

import matplotlib.pyplot as pltdf = pd.read_csv('../datasets/a10.csv')
df['date'] = df['date'].apply(lambda x: datetime.datetime.strptime(x, "%Y-%m-%d"))
#######关注一下匿名函数的用法
df.head()

    date     value

0 1991-07-01 3.526591
1 1991-08-01 3.180891
2 1991-09-01 3.252221
3 1991-10-01 3.611003
4 1991-11-01 3.565869

画图

# 画图
def plot_df(df, x, y, title="", xlabel="Date", ylabel="Value", dpi=100):plt.figure(figsize=(12, 4), dpi=dpi)plt.plot(df[x], df[y], color='tab:red')plt.gca().set(title=title, xlabel=xlabel, ylabel=ylabel)plt.show()
plot_df(df, x="date", y="value")

区域填充图

####用了之前的图像专题的一些知识点fill与hlines
fig, ax = plt.subplots(1, 1, figsize=(12, 4), dpi=100)
ax.fill_between(x=df['date'], y1=df['value'], y2=-df['value'], alpha=0.5, linewidth=2, color='seagreen')
ax.set_title("demo data", fontsize=16)
ax.hlines(y=0, xmin=np.min(df['date']), xmax=np.max(df['date']), linewidth=0.5)
plt.show()

季节性的图

df['year'] = df['date'].apply(lambda x: x.year)##这是年
df['month'] = df['date'].apply(lambda x: int(x.strftime('%m'))) ##这是月作为标签使用fig, ax = plt.subplots(figsize=(10, 7))
for index, tempyear in enumerate(df['year'].unique().tolist()):tempdata = df.loc[df['year'] == tempyear].sort_values(by=['date'])ax.plot(tempdata['month'], tempdata['value'], label=tempyear)ax.text(tempdata.tail(1)['month'], tempdata.tail(1)['value'], tempyear)font = {'family': 'serif','color': 'darkred','weight': 'normal','size': 16,}
ax.set_ylabel("$Drug Sales$", fontdict=font)
ax.set_xlabel('$Month$', fontdict=font)
ax.set_title("Seasibak Plot of Drug Sales Time Series",fontdict=font)
x_axis_ticks = np.arange(start=1, stop=13)
ax.set_xticks(x_axis_ticks)
ax.set_xticklabels(x_axis_ticks)

结论

从月的角度来看，在每年的1月到2月，毒品的销售都是骤降，3月再次上升，4月再次下降，显然，每年重复如此。
从年的角度来看，毒品的销售逐年增加。
我们可以通过逐年的boxplot和逐月的boxplot观察到这些特点。

########箱图############
fig, ax = plt.subplots(ncols=2, nrows=1, figsize=(12, 5))
sns.boxplot(x='year', y='value', data=df, ax=ax[0])
sns.boxplot(x='month', y='value', data=df, ax=ax[1])ax[0].set_title("Year-wise BoxPlot \n(The Trend)", fontsize=18)
xlabel = ax[0].get_xticklabels()
ax[0].set_xticklabels(xlabel, rotation=45)
ax[1].set_title("Month-wise BoxPlot \n(The Trend)", fontsize=18)

从boxplot可以看出来：毒品销售和年以及月份是相关的。
从月份的boxplot可以看出来，1月和12月的毒品销量比较高，这个可以用假期折扣来解释。

5. 时间序列中的模式

任何时间序列可以可以被拆分为3个部分：

趋势：趋势是比较明显的，比如极速的上升或者迅速下跌。
季节性：可以在数据中看到明显的周期性，并且这个周期性和时间周期有关。这个周期可能是月，可能是季度，也可能是年。
误差项。

但是不是说所有的时间序列都必须具备这3个部分。时间序列可能没有明显的趋势、可能没有明显的周期性。或者两个都没有。

因此，可以将时间序列看成趋势、周期性、误差项的组合。

df1=pd.read_csv("guinearice.csv")
df1.head()
df2=pd.read_csv('sunspotarea.csv')
df2.head()
df3=pd.read_csv("AirPassengers.csv")
df3.head()

fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12, 4), dpi=100)
pd.read_csv("../datasets/guinearice.csv", parse_dates=['date'], index_col=['date']).plot(title="Trend Only", legend=False,ax=ax[0])
pd.read_csv("../datasets/sunspotarea.csv", parse_dates=['date'], index_col=['date']).plot(title="Seasonality Only",legend=False, ax=ax[1])
pd.read_csv("../datasets/AirPassengers.csv", parse_dates=['date'], index_col=['date']).plot(title="Trend and Seasonality",legend=False, ax=ax[2])

图

另外一个需要注意的就是循环行为，如果发现时间序列中的跌幅是有周期性的，且这个周期性只是和时间间隔有关，和特定的时间节点无关，那么就是周期性。不能称之为季节性。

学习总结

箱图与季节图的绘制

经典时间序列的学习（一）简单的认识时间序列相关推荐

时间序列深度学习：状态 LSTM 模型预测太阳黑子
目录时间序列深度学习:状态 LSTM 模型预测太阳黑子教程概览商业应用长短期记忆(LSTM)模型太阳黑子数据集构建 LSTM 模型预测太阳黑子 1 若干相关包 2 数据 3 探索性数据分析 ...
【论文导读】Time-Series Representation Learning via Temporal and Contextual Contrasting（时间和上下文对比的时间序列表示学习）
Time-Series Representation Learning via Temporal and Contextual Contrasting(通过时间和上下文对比的时间序列表示学习) 论文信 ...
Plotly绘制时间序列图实战：简单时序图、时间范围限制的时序图
Plotly绘制时间序列图实战:简单时序图.时间范围限制的时序图 # 简单时间序列图: import plotly as py import plotly.graph_objs as gofrom d ...
深度学习时间序列预测：GRU算法构建多变量时间序列预测模型+代码实战
深度学习时间序列预测:GRU算法构建多变量时间序列预测模型+代码实战注意参考:深度学习多变量时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战 GRU(Gate Recurrent Uni ...
深度学习多变量时间序列预测：Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要 ...
[Python学习]PycURL简单学习 - limodou的学习记录 - limodou是一个程序员，他关心的焦点是Python, DocBook, Open Source …...
[Python学习]PycURL简单学习 - limodou的学习记录 - limodou是一个程序员,他关心的焦点是Python, DocBook, Open Source - [Python学习] ...
数学建模学习笔记（十）——时间序列模型
文章目录一.时间序列综述二.时间序列数据以及基本概念三.时间序列分解四.指数平滑模型五.一元时间序列分析的模型六.AR(p)模型七.MA(q)模型八.ARMA(p, q)模型九.模型 ...
一段比较经典的多线程学习代码
一段比较经典的多线程学习代码. 1.用到了多线程的同步问题. 2.用到了多线程的顺序问题. 如果有兴趣的请仔细阅读下面的代码.注意其中代码段的顺序,思考一下,这些代码的顺序能否互相调换,为什么?这应该 ...
Deep Crossing——经典的深度学习架构
Deep Crossing--经典的深度学习架构论文地址基本原理网络结构图代码实现总结归纳参考文献论文地址 Deep Crossing: Web-Scale Modeling witho ...
经典的大学学习生活心得
经典的大学学习生活心得 -------------------------------------------------------------------------------- http:// ...

经典时间序列的学习（一）简单的认识时间序列