python时间序列画图_简洁的Python时间序列可视化实现

时间序列数据在数据科学领域无处不在，在量化金融领域也十分常见，可以用于分析价格趋势，预测价格，探索价格行为等。

学会对时间序列数据进行可视化，能够帮助我们更加直观地探索时间序列数据，寻找其潜在的规律。

本文会利用Python中的matplotlib【1】库，并配合实例进行讲解。matplotlib库是一个用于创建出版质量图表的桌面绘图包（2D绘图库），是Python中最基本的可视化工具。

【工具】Python 3

【数据】Tushare

【注】示例注重的是方法的讲解，请大家灵活掌握。

1.单个时间序列

首先，我们从tushare.pro获取指数日线行情数据，并查看数据类型。

import tushare as ts

import pandas as pd

pd.set_option('expand_frame_repr', False) # 显示所有列

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

交易时间列'trade_date' 不是时间类型，而且也不是索引，需要先进行转化。

df['trade_date'] = pd.to_datetime(df['trade_date'])

df.set_index('trade_date', inplace=True)

print(df.head())

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

接下来，就可以开始画图了，我们需要导入matplotlib.pyplot【2】，然后通过设置set_xlabel()和set_xlabel()为x轴和y轴添加标签。

import matplotlib.pyplot as plt

ax=df.plot(color='')

ax.set_xlabel('trade_date')

ax.set_ylabel('399300.SZ close')

plt.show()

matplotlib库中有很多内置图表样式可以选择，通过打印plt.style.available查看具体都有哪些选项，应用的时候直接调用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.设置更多细节

上面画出的是一个很简单的折线图，其实可以在plot()里面通过设置不同参数的值，为图添加更多细节，使其更美观、清晰。

figsize(width, height)设置图的大小，linewidth设置线的宽度，fontsize设置字体大小。然后，调用set_title()方法设置标题。

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()

如果想要看某一个子时间段内的折线变化情况，可以直接截取该时间段再作图即可，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()

如果想要突出图中的某一日期或者观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。

ax=df.plot(color='blue',fontsize=6)

ax.axvline('2019-01-01', color='red',linestyle='--')

ax.axhline(3000, color='green',linestyle='--')

plt.show()

也可以调用axvspan()的方法为一段时间添加阴影标注，其中alpha参数设置的是阴影的透明度，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.移动平均时间序列

有时候，我们想要观察某个窗口期的移动平均值的变化趋势，可以通过调用窗口函数rolling来实现。下面实例中显示的是，以250天为窗口期的移动平均线close，以及与移动标准差的关系构建的上下两个通道线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.多个时间序列

如果想要可视化多个时间序列数据，同样可以直接调用plot()方法。示例中我们从tushare.pro上面选取三只股票的日线行情数据进行分析。

# 获取数据

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

# 画图

ax=df.plot(linewidth=2,fontsize=12)

ax.set_xlabel('trade_date')

ax.legend(fontsize=15)

plt.show()

调用.plot.area()方法可以生成时间序列数据的面积图，显示累计的总数。

ax=df.plot.area(fontsize=12)

ax.set_xlabel('trade_date')

ax.legend(fontsize=15)

plt.show()

如果想要在不同子图中单独显示每一个时间序列，可以通过设置参数subplots=True来实现。layout指定要使用的行列数，sharex和sharey用于设置是否共享行和列，colormap='viridis' 为每条线设置不同的颜色。

df.plot(subplots=True,

layout=(2, 2),

sharex=False,

sharey=False,

colormap='viridis',

fontsize=7,

legend=False,

linewidth=0.3)

plt.show()

5.总结

本文主要介绍了如何利用Python中的matplotlib库对时间序列数据进行一些简单的可视化操作，包括可视化单个时间序列并设置图中的细节，可视化移动平均时间序列和多个时间序列。

【责任编辑：庞桂玉 TEL：（010）68476606】

python时间序列画图_简洁的Python时间序列可视化实现相关推荐

手机python怎么画图_无所不能的python编程是怎么快速画图的呢？5分钟学会！
turtle绘图是python中引入的一个简单绘图工具,利用turtle模块绘图又被称为海龟作图,因为绘图过程可以看作是一个小海龟行走的轨迹.海龟就像是屏幕上的画笔,屏幕就是画布. 1.1导入turt ...
用python海龟画图_天呐！python 的乌龟绘图怎么用啊！？
今天做的是用python实现画图,画出你想要的图案,只要你的想象力足够丰富,以及能够合理的运用这个turtle模块,基本可以画出你想要的东西出来.而且如果真要看turtle的画笔的效果的话,用pyth ...
为什么用python画图_怎么用python画图
对于刚刚学习编程的同学来说对编程是非常陌生的,对很多的代码也是非常陌生,高中忙于学习的我们甚至可以说是对编程是一无所知,进入大学进入到这个专业才开始接触很多电脑相关的东西才开始接触编程,下面我就教大家 ...
python小乌龟画图_#python 乌龟画图教程#天呐，python 的乌龟绘图怎么用
python海龟绘图怎么增加每次画圆的半径 import turtle#导入海龟制图库 r=10#增加的,也是初始半径 for i in range(9):#批量比循环 turtle.penup()# ...
时间序列因果关系_分析具有因果关系的时间序列干预：货币波动
时间序列因果关系 When examining a time series, it is quite common to have an intervention influence that ser ...
java 时间序列预测_基于spark的时间序列预测包Sparkts._的使用
最近研究了一下时间序列预测的使用,网上找了大部分的资源,都是使用python来实现的,使用python来实现虽然能满足大部分的需求,但是python有一点缺点按就是只能使用一台计算资源进行计算,如果数 ...
python基础模型_零基础python代码策略模型实战
内容摘要 1 本文概述本文主要介绍了python基础.爬虫.与数据库交互.调用机器学习.深度学习.NLP等.分别介绍了各个模块的安装,环境的搭建等.并且以机器学习选股为例,把各个模块连贯起来,核心代 ...
python递归函数例题_递归案例python
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 而对应的中文翻译 "递归" 却表达了两个意思:"递 ...
python列表拆包_详解python 拆包可迭代数据如tuple, list
详解python 拆包可迭代数据如tuple, list 拆包是指将一个结构中的数据拆分为多个单独变量中. 以元组为例: >>> a = ('windows', 10, 25.1, ...

python时间序列画图_简洁的Python时间序列可视化实现

python时间序列画图_简洁的Python时间序列可视化实现相关推荐

最新文章

热门文章