Seeborn Time Series -Handlung

Zeitreihen sind eine Art von Daten, in denen wir über einen Zeitraum eine Reihe von Messungen sehen. Jede Beobachtung hat ihren Zeitstempel. Aktienkurse, Sensorwerte, programmbeobachtete Daten und andere Datenarten sind Beispiele für diese Art von Daten. In diesem Tutorial werden wir das SeaBorn- und Pandas -Modul verwenden, um die Zeitreihenanalyse in Python zu zeichnen. Lassen Sie uns vor dem Bau einer Zeitreihenhandlung einige Konzepte untersuchen.

Ein Zeitdiagramm (auch als statistisches Diagramm bezeichnet) zeigt Werte, die sich im Laufe der Zeit ändern. Sie sind wie X-Y-Grafiken. Zeitpläne können jedoch nur die Zeit auf der X-Achse darstellen. Während X-Y-Diagramme verschiedene „X“ -Variablen zeichnen können, wie Größe, Gewicht und Alter. Diese Diagramme enthalten keine Kategorien, im Gegensatz zu Kreisdiagrammen und Balkendiagrammen. Zeitdiagramme sind nützlich, um den Fortschritt von Daten über die Zeit zu zeigen. Beispielsweise kann diese Art von Diagramm nützlich sein, wenn Sie Daten in ungeraden Intervallen analysieren.

Angenommen, wir planen Zeitpläne mit dem Panda -Modul. Pandas ist eine in Numpy ansässige Open-Source-Bibliothek. Ein Python -Modul bietet zahlreiche Datenstrukturen und Methoden zur Verarbeitung numerischer und statistischer Daten. Es ist am bekanntesten dafür, den Datenimport und -analyse deutlich einfacher zu machen. Pandas ist schnell, leistungsstark und benutzerfreundlich.

Beispiel 1: Erstellen eines einfachen Zeitreihenplotes mit einem Zeilendiagramm

Wir haben Python -Module verwendet, um die Zeitreihendiagramme zu konstruieren. Diese Module umfassen SeaBorn-, Pandas- und Matplotlib -Module. Nach dem Hinzufügen dieser Module haben wir Daten erstellt, indem wir die Datenrahmenfunktion des Pandas aufgerufen und das Feld "Datum" für die X-Achse und drei weitere Felder für die Y-Achse eingefügt haben. Das Datumsfeld verfügt.

Anschließend haben wir eine SEABORN LINE -PLAND -Funktion, bei der die x- und y -Variablenparameter festgelegt werden und den gesamten Datenrahmen darin übergeben, der in einer Variablen „DF“ gespeichert ist. Diese Zeilendiagramm erstellt eine Zeitreihenhandlung, und wir haben den Xticks -Speicherort mit dem angegebenen Winkel definiert.

Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Pandas als PD importieren
df = pd.DataFrame ('Datum': ['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 = "Datum", y = "a",
Daten = df)
PLT.Xticks (Rotation = 20)
PLT.zeigen()

Die Times Series -Handlung wird in der folgenden Abbildung gerendert. Diese Figur ist die Einspalt-Zeitreihenhandlung:

Beispiel 2: Erstellen einer Zeitreihenhandlung mit zahlreichen Spalten mithilfe eines Zeilendiagramms

Das vorhergehende Zeitreihendiagramm wird mit einer einzelnen Spalte gerendert. Hier haben wir die Module von Seeborn, Panda und Matplotlib für die Renderung der Zeitreihenhandlung importiert. Dann haben wir Daten erstellt, die vier Felder definiert haben. Das erste Feld wird mit den Daten gesetzt und das Namensdatum festgelegt. In den anderen Bereichen haben wir den Namen des Autos festgelegt, der den Verkauf des Autos zu einem bestimmten Datum zeigt.

Danach haben wir die SeaBorn Line Plot zweimal jedoch mit den Namen der verschiedenen Felder angerufen. Die x-Achse wird mit dem Felddatum zugewiesen und die y-Achse wird mit dem Feld BMW und Alto zugewiesen. Wir setzen das Etikett für die y-Achse und die Tricksrotation für die x-Achse mit einem Winkel von 20.

Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
Pandas als PD importieren
df = pd.DataFrame ('Datum': ['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 = "Datum", y = "Alto", data = df)
PLT.Ylabel ("BMW und Alto")
PLT.Xticks (Rotation = 20)
PLT.zeigen()

Die Zeitreihenhandlung wird in der folgenden Grafik -Abbildung mit den mehreren Feldern visualisiert:

Beispiel 3: Erstellen Sie mehrere Zeitreihen -Diagramme mit einem Zeilendiagramm

Wir können mehrere Zeitreihen mit mehreren Spalten erstellen. Hier haben wir eine Beispielillustration, in der wir die vier Time Series -Diagramme mit der Linienhandlungsfunktion erstellt haben. Zunächst haben wir Daten in einer Variablen erstellt, die unter dem Namen DF dargestellt wird. Anschließend haben wir Nebenhandlungen für das Zeitreihendiagramm erstellt, in dem wir auch die Figur -Größe innerhalb der Nebenhandlung festgelegt haben.

Für jede Nebenhandlung haben wir die Drehung von Zecken eingestellt. Innerhalb des Zeilendiagramms haben wir die Spalten für x- und y -Parameter zugewiesen und die Farbe jeder Nebenhandlung gesetzt, indem die Farbnamen angegeben werden. Es gibt einen zusätzlichen Parameter; dight_layout wird mit dem Wert eingestellt, der die Polsterung der Nebenhandlungen anpasst.

Importieren Sie Seeborn als SNS
Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
df = pd.DataFrame ('Datum': ['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])
Fig, Ax = PLT.Nebenhandlungen (2, 2, AbbSize = (10, 6))
sns.lineplot (x = "Datum", y = "col_a",
color = 'g', data = df,
ax = ax [0] [0])
AX [0] [0].tick_params (LabelRotation = 15)
sns.lineplot (x = "Datum", y = "col_b",
color = 'b', data = df,
ax = ax [0] [1])
AX [0] [1].tick_params (LabelRotation = 15)
sns.lineplot (x = "Datum", y = "col_c",
color = 'r', data = df,
ax = ax [1] [0])
AX [1] [0].tick_params (LabelRotation = 15)
sns.lineplot (x = "date", y = "col_d",
color = 'y', data = df,
ax = ax [1] [1])
AX [1] [1].tick_params (LabelRotation = 15)
Feige.eng_layout (pad = 1.25)
PLT.zeigen()

Hier haben wir mehrere Zeitreihen -Diagrammdarstellungen mit den verschiedenen Spalten und den verschiedenen Farblinien mit der Liniendiagramm.

Beispiel 4: Erstellen Sie eine Zeitreihenhandlung mit einer Balkenplot

Die beobachteten Werte werden in rechteckigen Balken unter Verwendung eines Balkendiagramms dargestellt. Die Seeborn Barplot () -Technik wird verwendet, um Balkendiagramme im Pythons Seeborn -Modul zu erstellen. Bei der Anzeige kontinuierlicher Zeitreihendaten kann ein Balkendiagramm verwendet werden.

Anschließend haben wir die Daten für das Zeitreihendiagramm mit Hilfe der Panda -Modulfunktion eingestellt, die als Datenrahmen bezeichnet werden. Innerhalb des Datenrahmens haben wir die Daten festgelegt und eine Liste von Zahlen erstellt, die den Teilnahmeprozentsatz darstellen. Mit der Funktion to_datetime () haben wir das Datumsformat für die Zeitreihendiagramme festgelegt. Wir haben auch die Größe der Figur des Zeitreihendiagramms definiert. Danach haben wir eine Barplot () -Funktion, die die Werte für die X- und Y -Parameter für das Zeitreihendiagramm übernimmt.

Pandas als PD importieren
Matplotlib importieren.Pyplot als PLT
Importieren Sie Seeborn als SNS
df = pd.DataFrame ("Datum": ['01052022', '01062022', '01072022', '01082022' ',
'01092022', '01102022'],
"Teilnahme": [88,78,90,68,84,75])
df ["Datum"] = PD.to_datetime (df ["Datum"], format = "%d%m%y")
PLT.Abbildung (Figsize = (10,9))
sns.Barplot (x = 'Datum', y = 'Teilnahme', Data = df)
PLT.zeigen()

Für Zeitreihendaten bietet das folgende Diagramm eine alternative Visualisierung:

Abschluss

Dies ist ein grundlegender Überblick darüber. Wenn Sie in einer bestimmten Zeitspanne mehrere Datenpunkte haben, ist ein Zeitreihen -Diagramm ein hervorragender Ansatz, um Ihre Daten darzustellen. Von der Erstellung eines kleinen Datensatzes mit Pandas-Sequenz bis hin zur Integration eines realen Datensatzes und der Plotting-Zeitreihenplots, die von Ihren Anforderungen abhängig sind, führt dieser Artikel Sie durch alles, was Sie wissen müssen, durch alles, was Sie wissen müssen.