Serie temporali di Seaborn Trama

Le serie temporali sono un tipo di dati in cui vediamo una serie di misurazioni per un periodo. Ogni osservazione ha il suo timestamp. I prezzi delle azioni, le letture dei sensori, i dati osservati dal programma e altri tipi di dati sono esempi di questo tipo di dati. In questo tutorial, useremo il modulo Seaborn e Panda per tracciare l'analisi delle serie temporali in Python. Prima di costruire una trama delle serie temporali, esaminiamo alcuni concetti.

Un diagramma temporale (noto anche come grafico statistico) mostra i valori mentre cambiano nel tempo. Sono come i grafici x-y. Tuttavia, i grafici del tempo possono rappresentare solo il tempo sull'asse X. Mentre i grafici X-Y possono tracciare varie variabili "x", come altezza, peso ed età. Questi grafici non includono categorie, a differenza dei grafici a torta e dei grafici a barre. I grafici del tempo sono utili per visualizzare la progressione dei dati nel tempo. Ad esempio, questo tipo di grafico potrebbe essere utile se si sta analizzando i dati a intervalli dispari.

Supponiamo che stiamo pianificando le trame del tempo con il modulo Panda. Pandas è una biblioteca open source con sede. Un modulo Python fornisce numerose strutture e metodi di dati per l'elaborazione di dati numerici e statistici. È più noto per rendere significativamente più semplici importazioni e analisi dei dati. Panda è rapido, ad alte prestazioni e intuitivo.

Esempio 1: creazione di un semplice diagramma delle serie temporali usando un diagramma di linea

Abbiamo usato i moduli Python per costruire le trame delle serie temporali. Questi moduli includono moduli Seaborn, Panda e Matplotlib. Dopo aver aggiunto questi moduli, abbiamo creato i dati chiamando la funzione del frame dati del panda e inserito la "data" di campo per l'asse X e altri tre campi per l'asse Y. Il campo Date ha dati di serie temporali e altri campi hanno solo elenchi di numeri casuali.

Quindi, abbiamo una funzione del diagramma della linea di Seaborn in cui i parametri variabili X e Y sono impostati e passano l'intero frame di dati al suo interno, che è memorizzato all'interno di una variabile "DF". Questa trama di linea crea una trama delle serie temporali e abbiamo definito la posizione XTTIKS con l'angolo specificato.

Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
Importa panda come PD
df = pd.DataFrame ('Date': ['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 = "data", y = "a",
data = df)
Plt.XTYS (rotazione = 20)
Plt.spettacolo()

La trama della serie Times è resa all'interno della figura seguente. Questa figura è la trama delle serie temporali a colonna singola:

Esempio 2: creazione di un diagramma delle serie temporali con numerose colonne usando un diagramma di linea

Il grafico delle serie temporali precedenti è reso con una sola colonna. Qui, abbiamo importato i moduli Seaborn, Panda e Matplotlib per rendere la trama delle serie temporali. Quindi, abbiamo creato dati con quattro campi definiti. Il primo campo è impostato con le date e imposta la data del nome. Negli altri campi, abbiamo impostato il nome dell'auto, che mostra le vendite dell'auto in una data specifica.

Dopodiché, abbiamo chiamato la trama della linea Seaborn due volte ma con i diversi campi dei campi. L'asse X è assegnato con la data del campo e l'asse y è assegnato con il campo BMW e Alto. Abbiamo impostato l'etichetta per l'asse y e la rotazione dei trucchi per l'asse x con un angolo di 20.

Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
Importa panda come PD
df = pd.DataFrame ('Date': ['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 = "data", y = "bmw", data = df)
SNS.lineplot (x = "data", y = "alto", data = df)
Plt.Ylabel ("BMW e Alto")
Plt.XTYS (rotazione = 20)
Plt.spettacolo()

Il diagramma delle serie temporali viene visualizzato con i più campi nella seguente figura grafica:

Esempio 3: creare più trame di serie temporali usando un diagramma di linea

Possiamo creare più trame di serie temporali con diverse colonne. Qui, abbiamo un'illustrazione di esempio in cui abbiamo creato i quattro grafici delle serie temporali con la funzione del diagramma della linea. Innanzitutto, abbiamo creato dati all'interno di una variabile rappresentata dal nome DF. Quindi, abbiamo creato sottotrame per il grafico delle serie temporali, in cui abbiamo anche impostato la dimensione della figura all'interno della funzione sottotrama.

Per ogni sottotrama, abbiamo impostato la rotazione delle zecche. All'interno del diagramma della linea, abbiamo assegnato le colonne per i parametri X e Y e impostare il colore di ciascuna sottotrama fornendo i nomi dei colori. C'è un parametro aggiuntivo; STRUT_LAYOUT è impostato con il valore che regola l'imbottitura dei sottotrame.

Importa Seaborn come SNS
Importa panda come PD
Importa matplotlib.Pyplot come Plt
df = pd.DataFrame ('Date': ['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.sottotrame (2, 2, figsize = (10, 6))
SNS.lineplot (x = "data", y = "col_a",
color = 'g', data = df,
ax = ax [0] [0])
AX [0] [0].tick_params (etichettazione = 15)
SNS.lineplot (x = "data", y = "col_b",
color = 'b', data = df,
ax = ax [0] [1])
AX [0] [1].tick_params (etichettazione = 15)
SNS.lineplot (x = "data", y = "col_c",
color = 'r', data = df,
ax = ax [1] [0])
AX [1] [0].tick_params (etichettazione = 15)
SNS.lineplot (x = "data", y = "col_d",
color = 'y', data = df,
ax = ax [1] [1])
AX [1] [1].tick_params (etichettazione = 15)
Fico.stretto_layout (pad = 1.25)
Plt.spettacolo()

Qui, abbiamo più rappresentazioni del diagramma delle serie temporali con le diverse colonne e le diverse linee di colore usando il diagramma della linea.

Esempio 4: crea una trama delle serie temporali usando un diagramma a barre

I valori osservati sono illustrati in barre rettangolari usando un diagramma a barre. La tecnica di barratura () di Seaborn viene utilizzata per costruire grafici a barre nel modulo Seaborn di Python. Quando si visualizzano dati continui delle serie temporali, è possibile utilizzare un diagramma a barre.

Quindi, abbiamo impostato i dati per il diagramma delle serie temporali con l'aiuto della funzione del modulo Panda chiamato frame di dati. All'interno del frame di dati, abbiamo impostato le date e creato un elenco di numeri che rappresentano la percentuale di presenza. Con la funzione TO_DateTime (), abbiamo impostato il formato della data per i grafici delle serie temporali. Abbiamo anche definito la dimensione della figura del diagramma delle serie temporali. Successivamente, abbiamo una funzione Barplot () che prende i valori per i parametri X e Y per il diagramma delle serie temporali.

Importa panda come PD
Importa matplotlib.Pyplot come Plt
Importa Seaborn come SNS
df = pd.DataFrame ("Date": ['01052022', '01062022', '01072022', '01082022',
'01092022', '01102022'],
"Presenza": [88,78,90,68,84,75])
df ["data"] = pd.to_datetime (df ["data"], format = "%d%m%y")
Plt.Figura (Figsize = (10,9))
SNS.Barplot (x = 'Date', y = 'frequenza', data = df)
Plt.spettacolo()

Per i dati delle serie temporali, il seguente grafico fornisce una visualizzazione alternativa:

Conclusione

Questa è una carrellata di base di come generare grafici delle serie temporali per l'input correlato al tempo. Quando si dispone di diversi punti dati in un periodo di tempo specificato, un diagramma delle serie temporali è un approccio eccellente per rappresentare i tuoi dati. Dalla creazione di un piccolo set di dati con la sequenza di Panda all'integrazione di un set di dati del mondo reale e trama tra i tuoi bisogni, questo articolo ti guida attraverso tutto ciò che devi sapere.