python时间序列分析航空旅人_大佬整理的Python数据可视化时间序列案例，建议收藏（附代码）...

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

时间序列

1、时间序列图

时间序列图用于可视化给定指标如何随时间变化。在这里，您可以了解1949年至1969年之间的航空客运流量如何变化。

#Import Data

df = pd.read_csv('https://github.com/selva86/datasets/raw/master/AirPassengers.csv')#Draw Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.plot('date', 'traffic', data=df, color='tab:red')#Decoration

plt.ylim(50, 750)

xtick_location= df.index.tolist()[::12]

xtick_labels= [x[-4:] for x in df.date.tolist()[::12]]

plt.xticks(ticks=xtick_location, labels=xtick_labels, rotation=0, fontsize=12, horizontalalignment='center', alpha=.7)

plt.yticks(fontsize=12, alpha=.7)

plt.title("Air Passengers Traffic (1949 - 1969)", fontsize=22)

plt.grid(axis='both', alpha=.3)#Remove borders

plt.gca().spines["top"].set_alpha(0.0)

plt.gca().spines["bottom"].set_alpha(0.3)

plt.gca().spines["right"].set_alpha(0.0)

plt.gca().spines["left"].set_alpha(0.3)

plt.show()

2、带有标记的时间序列图

下面的时间序列绘制了所有的波峰和波谷，并注释了选定特殊事件的发生。

#Import Data

df = pd.read_csv('https://github.com/selva86/datasets/raw/master/AirPassengers.csv')#Get the Peaks and Troughs

data = df['traffic'].values

doublediff=np.diff(np.sign(np.diff(data)))

peak_locations= np.where(doublediff == -2)[0] + 1doublediff2= np.diff(np.sign(np.diff(-1*data)))

trough_locations= np.where(doublediff2 == -2)[0] + 1

#Draw Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.plot('date', 'traffic', data=df, color='tab:blue', label='Air Traffic')

plt.scatter(df.date[peak_locations], df.traffic[peak_locations], marker=mpl.markers.CARETUPBASE, color='tab:green', s=100, label='Peaks')

plt.scatter(df.date[trough_locations], df.traffic[trough_locations], marker=mpl.markers.CARETDOWNBASE, color='tab:red', s=100, label='Troughs')#Annotate

for t, p in zip(trough_locations[1::5], peak_locations[::3]):

plt.text(df.date[p], df.traffic[p]+15, df.date[p], horizontalalignment='center', color='darkgreen')

plt.text(df.date[t], df.traffic[t]-35, df.date[t], horizontalalignment='center', color='darkred')#Decoration

plt.ylim(50,750)

xtick_location= df.index.tolist()[::6]

xtick_labels= df.date.tolist()[::6]

plt.xticks(ticks=xtick_location, labels=xtick_labels, rotation=90, fontsize=12, alpha=.7)

plt.title("Peak and Troughs of Air Passengers Traffic (1949 - 1969)", fontsize=22)

plt.yticks(fontsize=12, alpha=.7)#Lighten borders

plt.gca().spines["top"].set_alpha(.0)

plt.gca().spines["bottom"].set_alpha(.3)

plt.gca().spines["right"].set_alpha(.0)

plt.gca().spines["left"].set_alpha(.3)

plt.legend(loc='upper left')

plt.grid(axis='y', alpha=.3)

plt.show()

3、自相关（ACF）和部分自相关（PACF）图

ACF图显示了时间序列与其自身滞后的相关性。每条垂直线（在自相关图上）代表序列与从滞后0开始的滞后之间的相关性。图中的蓝色阴影区域是显着性水平。蓝线以上的那些滞后就是巨大的滞后。

那么如何解释呢？

对于AirPassengers，我们看到多达14个滞后已越过蓝线，因此意义重大。这意味着，距今已有14年之久的航空客运量对今天的客运量产生了影响。

另一方面，PACF显示了任何给定的（时间序列）滞后与当前序列之间的自相关，但是去除了两者之间的滞后。

#Import Data

df = pd.read_csv("https://github.com/selva86/datasets/raw/master/economics.csv")

x= df['date']

y1= df['psavert']

y2= df['unemploy']#Plot Line1 (Left Y Axis)

fig, ax1 = plt.subplots(1,1,figsize=(16,9), dpi= 80)

ax1.plot(x, y1, color='tab:red')#Plot Line2 (Right Y Axis)

ax2 = ax1.twinx() #instantiate a second axes that shares the same x-axis

ax2.plot(x, y2, color='tab:blue')#Decorations#ax1 (left Y axis)

ax1.set_xlabel('Year', fontsize=20)

ax1.tick_params(axis='x', rotation=0, labelsize=12)

ax1.set_ylabel('Personal Savings Rate', color='tab:red', fontsize=20)

ax1.tick_params(axis='y', rotation=0, labelcolor='tab:red')

ax1.grid(alpha=.4)#ax2 (right Y axis)

ax2.set_ylabel("# Unemployed (1000's)", color='tab:blue', fontsize=20)

ax2.tick_params(axis='y', labelcolor='tab:blue')

ax2.set_xticks(np.arange(0, len(x),60))

ax2.set_xticklabels(x[::60], rotation=90, fontdict={'fontsize':10})

ax2.set_title("Personal Savings Rate vs Unemployed: Plotting in Secondary Y Axis", fontsize=22)

fig.tight_layout()

plt.show()

4、交叉相关图

互相关图显示了两个时间序列之间的时滞。

from scipy.stats importsem#Import Data

df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/user_orders_hourofday.csv")

df_mean= df.groupby('order_hour_of_day').quantity.mean()

df_se= df.groupby('order_hour_of_day').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Orders", fontsize=16)

x=df_mean.index

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::2], [str(d) for d in x[::2]] , fontsize=12)

plt.title("User Orders by Hour of Day (95% confidence)", fontsize=22)

plt.xlabel("Hour of Day")

s, e=plt.gca().get_xlim()

plt.xlim(s, e)#Draw Horizontal Tick lines

for y in range(8, 20, 2):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

5、时间序列分解图

时间序列分解图显示了时间序列按趋势，季节和残差成分的分解。

"Data Source: https://www.kaggle.com/olistbr/brazilian-ecommerce#olist_orders_dataset.csv"

from dateutil.parser importparsefrom scipy.stats importsem#Import Data

df_raw = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/orders_45d.csv',

parse_dates=['purchase_time', 'purchase_date'])#Prepare Data: Daily Mean and SE Bands

df_mean = df_raw.groupby('purchase_date').quantity.mean()

df_se= df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Daily Orders", fontsize=16)

x= [d.date().strftime('%Y-%m-%d') for d indf_mean.index]

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::6], [str(d) for d in x[::6]] , fontsize=12)

plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)", fontsize=20)#Axis limits

s, e =plt.gca().get_xlim()

plt.xlim(s, e-2)

plt.ylim(4, 10)#Draw Horizontal Tick lines

for y in range(5, 10, 1):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

6、多时间序列图

您可以在同一张图表上绘制测量同一值的多个时间序列，如下所示。

"Data Source: https://www.kaggle.com/olistbr/brazilian-ecommerce#olist_orders_dataset.csv"

from dateutil.parser importparsefrom scipy.stats importsem#Import Data

df_raw = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/orders_45d.csv',

parse_dates=['purchase_time', 'purchase_date'])#Prepare Data: Daily Mean and SE Bands

df_mean = df_raw.groupby('purchase_date').quantity.mean()

df_se= df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Daily Orders", fontsize=16)

x= [d.date().strftime('%Y-%m-%d') for d indf_mean.index]

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::6], [str(d) for d in x[::6]] , fontsize=12)

plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)", fontsize=20)#Axis limits

s, e =plt.gca().get_xlim()

plt.xlim(s, e-2)

plt.ylim(4, 10)#Draw Horizontal Tick lines

for y in range(5, 10, 1):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

7、双y轴图

如果要显示在同一时间点测量两个不同量的两个时间序列，则可以在右边的第二个Y轴上再次绘制第二个序列。

"Data Source: https://www.kaggle.com/olistbr/brazilian-ecommerce#olist_orders_dataset.csv"

from dateutil.parser importparsefrom scipy.stats importsem#Import Data

df_raw = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/orders_45d.csv',

parse_dates=['purchase_time', 'purchase_date'])#Prepare Data: Daily Mean and SE Bands

df_mean = df_raw.groupby('purchase_date').quantity.mean()

df_se= df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Daily Orders", fontsize=16)

x= [d.date().strftime('%Y-%m-%d') for d indf_mean.index]

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::6], [str(d) for d in x[::6]] , fontsize=12)

plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)", fontsize=20)#Axis limits

s, e =plt.gca().get_xlim()

plt.xlim(s, e-2)

plt.ylim(4, 10)#Draw Horizontal Tick lines

for y in range(5, 10, 1):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

8、具有误差带的时间序列

如果您具有每个时间点（日期/时间戳）具有多个观测值的时间序列数据集，则可以构建带有误差带的时间序列。您可以在下面看到一些基于一天中不同时间下达的订单的示例。另一个例子是在45天的时间内到达的订单数量。

在这种方法中，订单数量的平均值由白线表示。然后计算出95％的置信带并围绕均值绘制。

"Data Source: https://www.kaggle.com/olistbr/brazilian-ecommerce#olist_orders_dataset.csv"

from dateutil.parser importparsefrom scipy.stats importsem#Import Data

df_raw = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/orders_45d.csv',

parse_dates=['purchase_time', 'purchase_date'])#Prepare Data: Daily Mean and SE Bands

df_mean = df_raw.groupby('purchase_date').quantity.mean()

df_se= df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Daily Orders", fontsize=16)

x= [d.date().strftime('%Y-%m-%d') for d indf_mean.index]

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::6], [str(d) for d in x[::6]] , fontsize=12)

plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)", fontsize=20)#Axis limits

s, e =plt.gca().get_xlim()

plt.xlim(s, e-2)

plt.ylim(4, 10)#Draw Horizontal Tick lines

for y in range(5, 10, 1):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

"Data Source: https://www.kaggle.com/olistbr/brazilian-ecommerce#olist_orders_dataset.csv"

from dateutil.parser importparsefrom scipy.stats importsem#Import Data

df_raw = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/orders_45d.csv',

parse_dates=['purchase_time', 'purchase_date'])#Prepare Data: Daily Mean and SE Bands

df_mean = df_raw.groupby('purchase_date').quantity.mean()

df_se= df_raw.groupby('purchase_date').quantity.apply(sem).mul(1.96)#Plot

plt.figure(figsize=(16,10), dpi= 80)

plt.ylabel("# Daily Orders", fontsize=16)

x= [d.date().strftime('%Y-%m-%d') for d indf_mean.index]

plt.plot(x, df_mean, color="white", lw=2)

plt.fill_between(x, df_mean- df_se, df_mean + df_se, color="#3F5D7D")#Decorations#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(1)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(1)

plt.xticks(x[::6], [str(d) for d in x[::6]] , fontsize=12)

plt.title("Daily Order Quantity of Brazilian Retail with Error Bands (95% confidence)", fontsize=20)#Axis limits

s, e =plt.gca().get_xlim()

plt.xlim(s, e-2)

plt.ylim(4, 10)#Draw Horizontal Tick lines

for y in range(5, 10, 1):

plt.hlines(y, xmin=s, xmax=e, colors='black', alpha=0.5, linestyles="--", lw=0.5)

plt.show()

9、堆积面积图

堆积面积图直观地显示了多个时间序列的贡献程度，因此可以轻松地进行相互比较。

#Import Data

df = pd.read_csv('https://raw.githubusercontent.com/selva86/datasets/master/nightvisitors.csv')#Decide Colors

mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange', 'tab:brown', 'tab:grey', 'tab:pink', 'tab:olive']#Draw Plot and Annotate

fig, ax = plt.subplots(1,1,figsize=(16, 9), dpi= 80)

columns= df.columns[1:]

labs=columns.values.tolist()#Prepare data

x = df['yearmon'].values.tolist()

y0=df[columns[0]].values.tolist()

y1= df[columns[1]].values.tolist()

y2= df[columns[2]].values.tolist()

y3= df[columns[3]].values.tolist()

y4= df[columns[4]].values.tolist()

y5= df[columns[5]].values.tolist()

y6= df[columns[6]].values.tolist()

y7= df[columns[7]].values.tolist()

y=np.vstack([y0, y2, y4, y6, y7, y5, y1, y3])#Plot for each column

labs =columns.values.tolist()

ax=plt.gca()

ax.stackplot(x, y, labels=labs, colors=mycolors, alpha=0.8)#Decorations

ax.set_title('Night Visitors in Australian Regions', fontsize=18)

ax.set(ylim=[0, 100000])

ax.legend(fontsize=10, ncol=4)

plt.xticks(x[::5], fontsize=10, horizontalalignment='center')

plt.yticks(np.arange(10000, 100000, 20000), fontsize=10)

plt.xlim(x[0], x[-1])#Lighten borders

plt.gca().spines["top"].set_alpha(0)

plt.gca().spines["bottom"].set_alpha(.3)

plt.gca().spines["right"].set_alpha(0)

plt.gca().spines["left"].set_alpha(.3)

plt.show()

10、区域图（未堆叠）

未堆积的面积图用于可视化两个或多个系列相对于彼此的进度（涨跌）。在下面的图表中，您可以清楚地看到随着失业时间的中位数增加，个人储蓄率如何下降。未堆积面积图很好地显示了这种现象。

importmatplotlib as mplimportcalmap#Import Data

df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/yahoo.csv", parse_dates=['date'])

df.set_index('date', inplace=True)#Plot

plt.figure(figsize=(16,10), dpi= 80)

calmap.calendarplot(df['2014']['VIX.Close'], fig_kws={'figsize': (16,10)}, yearlabel_kws={'color':'black', 'fontsize':14}, subplot_kws={'title':'Yahoo Stock Prices'})

plt.show()

11、日历热图

日历地图是与时间序列相比可视化基于时间的数据的替代方法，而不是首选方法。尽管可以在视觉上吸引人，但数值并不十分明显。但是，它可以有效地很好地描绘出极端值和假日效果。

importmatplotlib as mplimportcalmap#Import Data

df = pd.read_csv("https://raw.githubusercontent.com/selva86/datasets/master/yahoo.csv", parse_dates=['date'])

df.set_index('date', inplace=True)#Plot

plt.figure(figsize=(16,10), dpi= 80)

calmap.calendarplot(df['2014']['VIX.Close'], fig_kws={'figsize': (16,10)}, yearlabel_kws={'color':'black', 'fontsize':14}, subplot_kws={'title':'Yahoo Stock Prices'})

plt.show()

12、季节性图

季节性图可用于比较上一个季节的同一天（年/月/周等）的时间序列执行情况。

from dateutil.parser importparse#Import Data

df = pd.read_csv('https://github.com/selva86/datasets/raw/master/AirPassengers.csv')#Prepare data

df['year'] = [parse(d).year for d indf.date]

df['month'] = [parse(d).strftime('%b') for d indf.date]

years= df['year'].unique()#Draw Plot

mycolors = ['tab:red', 'tab:blue', 'tab:green', 'tab:orange', 'tab:brown', 'tab:grey', 'tab:pink', 'tab:olive', 'deeppink', 'steelblue', 'firebrick', 'mediumseagreen']

plt.figure(figsize=(16,10), dpi= 80)for i, y inenumerate(years):

plt.plot('month', 'traffic', data=df.loc[df.year==y, :], color=mycolors[i], label=y)

plt.text(df.loc[df.year==y, :].shape[0]-.9, df.loc[df.year==y, 'traffic'][-1:].values[0], y, fontsize=12, color=mycolors[i])#Decoration

plt.ylim(50,750)

plt.xlim(-0.3, 11)

plt.ylabel('$Air Traffic$')

plt.yticks(fontsize=12, alpha=.7)

plt.title("Monthly Seasonal Plot: Air Passengers Traffic (1949 - 1969)", fontsize=22)

plt.grid(axis='y', alpha=.3)#Remove borders

plt.gca().spines["top"].set_alpha(0.0)

plt.gca().spines["bottom"].set_alpha(0.5)

plt.gca().spines["right"].set_alpha(0.0)

plt.gca().spines["left"].set_alpha(0.5)#plt.legend(loc='upper right', ncol=2, fontsize=12)

plt.show()

不管你是零基础还是有基础都可以获取到自己相对应的学习礼包！包括Python软件工具和2020最新入门到实战教程。加群695185429即可免费获取。

来源：oschina

链接：https://my.oschina.net/u/4348626/blog/4275293

python时间序列分析航空旅人_大佬整理的Python数据可视化时间序列案例，建议收藏（附代码）...相关推荐

python时间序列分析航空旅人_时间序列分析-ARIMA模型（python）
时间序列概念:在生产和科学研究中,对某一个或者一组变量进行观察测量,将在一系列时刻所得到的离散数字组成的序列集合,称之为时间序列.时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估 ...
python时间序列分析航空旅人_用python做时间序列预测一：初识概念
利用时间序列预测方法,我们可以基于历史的情况来预测未来的情况.比如共享单车每日租车数,食堂每日就餐人数等等,都是基于各自历史的情况来预测的. 什么是时间序列? 时间序列,是指同一个变量在连续且固定的时 ...
python时间序列分析航空旅人_python时间序列分析
一.什么是时间序列时间序列简单的说就是各时间点上形成的数值序列,时间序列分析就是通过观察历史数据预测未来的值. 在这里需要强调一点的是,时间序列分析并不是关于时间的回归,它主要是研究自身的变化规律的 ...
python时间序列分析航空旅人_Python深度学习教程：LSTM时间序列预测小练习—国航乘客数量预测...
Python深度学习教程:LSTM时间序列预测小练习-国航乘客数量预测参考数据: 数据一共两列,左边是日期,右边是乘客数量对数据做可视化:import math import numpy as n ...
python时间序列分析按月_利用 Python 进行时间序列分析
1. 时间序列分析概述时间序列分析在金融.气象.交通.宏观经济等诸多领域的应用可以说是非常的广泛.简单点说,时间序列就是在各个时间点上形成的数值序列,而分析的过程就是通过这些数值序列去研究其自身的变 ...
python无法打印unicode编码_【整理】Python中实际上已经得到了正确的Unicode或某种编码的字符，但是看起来或打印出来却是乱码...
[背景] Python中的字符编码,其实的确有点复杂. 再加上,不同的开发环境和工具中,显示的逻辑和效果又不太相同,尤其是,中文的,初级用户,最常遇到的: (1)在Python自带的IDE:IDLE中 ...
python学得好牢饭_英雄联盟LPL比赛数据可视化详细教程,可视化的魅力,你值得拥有!!!...
LPL比赛数据可视化完成这个项目,我感觉我已经被掏空了,我几乎用尽了我会的所有知识 html+css+javascript+jQuery+python+requests+numpy+mysql+py ...
python时间序列分析模块宝典_资料分析模块宝典
本版教材是公考领域的著名培训老师李委明老师2019年重新修订之作.在延续上版教材学习模式.解题思路的基础上,严格参考2019年国考大纲,根据2019年国考.2018年各地公务员考试涉及的考点,吸收借鉴 ...
金融时间序列分析：8. MA模型实例（Python）
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...

python时间序列分析航空旅人_大佬整理的Python数据可视化时间序列案例，建议收藏（附代码）...

python时间序列分析航空旅人_大佬整理的Python数据可视化时间序列案例，建议收藏（附代码）...相关推荐

最新文章

热门文章