最简洁的Python时间序列可视化:数据科学分析价格趋势,预测价格,探索价格

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了最简洁的Python时间序列可视化:数据科学分析价格趋势,预测价格,探索价格相关的知识,希望对你有一定的参考价值。

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?个?于创建出版质量图表的桌?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。

01

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())

              close
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()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()

技术图片

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()

技术图片

02

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()

技术图片

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‘]

df_subset_1 = df[‘2018-01-01‘:‘2019-01-01‘]
ax = df_subset_1.plot(color=‘blue‘, fontsize=10)
plt.show()

技术图片

如果想要突出图中的某一日期或者观察值,可以调用.axvline().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()

技术图片

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。

大家在学python的时候肯定会遇到很多难题,以及对于新技术的追求,这里推荐一下我们的Python资源分享秋秋裙:855408893 内有安装包,学习视频资料。这里是Python学习者的聚集地,零基础,进阶,都欢迎每日分享一些学习的方法和需要注意的小细节

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()

技术图片

03

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()

技术图片

04

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()

技术图片

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()

技术图片

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,sharexsharey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()

技术图片

05

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。

以上是关于最简洁的Python时间序列可视化:数据科学分析价格趋势,预测价格,探索价格的主要内容,如果未能解决你的问题,请参考以下文章

关于时间序列数据库的一点思考

揭秘Apache顶级项目大数据分析引擎 Flink:与Spark的对比与分析

评测:哪个Python库才最适合做数据可视化?

Python语言的简洁性

在量化金融中15个最流行的Python数据分析库

数据科学必备Pandas数据分析可视化常用举例