【数据分析可视化】时间序列数据的采样和画图

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

# 生成时间索引的Series序列
t = pd.date_range('2019-01-01','2019-12-29')
t

DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',
               '2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',
               '2019-01-09', '2019-01-10',
               ...
               '2019-12-20', '2019-12-21', '2019-12-22', '2019-12-23',
               '2019-12-24', '2019-12-25', '2019-12-26', '2019-12-27',
               '2019-12-28', '2019-12-29'],
              dtype='datetime64[ns]', length=363, freq='D')

s1 = Series(np.random.randn(len(t)), index=t)
s1

2019-01-01   -0.951227
2019-01-02    0.761531
2019-01-03    0.146341
2019-01-04    0.249194
2019-01-05   -0.437687
                ...   
2019-12-25    0.169545
2019-12-26    3.220068
2019-12-27    1.515246
2019-12-28   -0.622776
2019-12-29    0.609221
Freq: D, Length: 363, dtype: float64

# 采样月份数据
# 其中一个月份
s1['2019-01']

2019-01-01   -0.951227
2019-01-02    0.761531
2019-01-03    0.146341
2019-01-04    0.249194
2019-01-05   -0.437687
2019-01-06    1.186244
2019-01-07    0.974844
2019-01-08    0.521287
2019-01-09    1.715429
2019-01-10    2.260809
2019-01-11    0.758895
2019-01-12   -1.564395
2019-01-13   -0.505064
2019-01-14   -0.585892
2019-01-15    0.055110
2019-01-16   -0.610403
2019-01-17    0.525841
2019-01-18   -1.189281
2019-01-19   -2.111323
2019-01-20    0.326681
2019-01-21    0.157808
2019-01-22   -1.162134
2019-01-23    0.230476
2019-01-24    1.347033
2019-01-25    0.909771
2019-01-26   -0.033264
2019-01-27   -0.307241
2019-01-28   -1.847770
2019-01-29   -0.222650
2019-01-30    1.248396
2019-01-31   -0.051844
Freq: D, dtype: float64

# 一个月份的平均值 (将值放进新的Series，但pd实现了一个更方便的方法)
s1['2019-01'].mean()

0.05791979036590383

# pd实现了时间采样(天数据->月数据)
s_m1 = s1.resample('M').mean()
s_m1

2019-01-31    0.057920
2019-02-28    0.146369
2019-03-31    0.010041
2019-04-30    0.000835
2019-05-31   -0.125909
2019-06-30    0.159881
2019-07-31    0.189943
2019-08-31   -0.337287
2019-09-30    0.005125
2019-10-31   -0.132957
2019-11-30    0.076836
2019-12-31    0.203451
Freq: M, dtype: float64

# (天->小时)resample提供了填充数据的几种方式 （ffill数据向前填充）
s1.resample('H').ffill()

2019-01-01 00:00:00   -0.951227
2019-01-01 01:00:00   -0.951227
2019-01-01 02:00:00   -0.951227
2019-01-01 03:00:00   -0.951227
2019-01-01 04:00:00   -0.951227
                         ...   
2019-12-28 20:00:00   -0.622776
2019-12-28 21:00:00   -0.622776
2019-12-28 22:00:00   -0.622776
2019-12-28 23:00:00   -0.622776
2019-12-29 00:00:00    0.609221
Freq: H, Length: 8689, dtype: float64

# 数据向后填（01-01 01 数据来自于2-1）
s1.resample('H').bfill()

2019-01-01 00:00:00   -0.951227
2019-01-01 01:00:00    0.761531
2019-01-01 02:00:00    0.761531
2019-01-01 03:00:00    0.761531
2019-01-01 04:00:00    0.761531
                         ...   
2019-12-28 20:00:00    0.609221
2019-12-28 21:00:00    0.609221
2019-12-28 22:00:00    0.609221
2019-12-28 23:00:00    0.609221
2019-12-29 00:00:00    0.609221
Freq: H, Length: 8689, dtype: float64

模拟构建时间序列图

# 一年按小时生成数据存入DataFrame
t2 = pd.date_range('2019-01-01','2019-12-29', freq='H')
t2

DatetimeIndex(['2019-01-01 00:00:00', '2019-01-01 01:00:00',
               '2019-01-01 02:00:00', '2019-01-01 03:00:00',
               '2019-01-01 04:00:00', '2019-01-01 05:00:00',
               '2019-01-01 06:00:00', '2019-01-01 07:00:00',
               '2019-01-01 08:00:00', '2019-01-01 09:00:00',
               ...
               '2019-12-28 15:00:00', '2019-12-28 16:00:00',
               '2019-12-28 17:00:00', '2019-12-28 18:00:00',
               '2019-12-28 19:00:00', '2019-12-28 20:00:00',
               '2019-12-28 21:00:00', '2019-12-28 22:00:00',
               '2019-12-28 23:00:00', '2019-12-29 00:00:00'],
              dtype='datetime64[ns]', length=8689, freq='H')

df = DataFrame(index=t2)
df

2019-01-01 00:00:00
2019-01-01 01:00:00
2019-01-01 02:00:00
2019-01-01 03:00:00
2019-01-01 04:00:00
...
2019-12-28 20:00:00
2019-12-28 21:00:00
2019-12-28 22:00:00
2019-12-28 23:00:00
2019-12-29 00:00:00

8689 rows × 0 columns

# 插入xx公司股票数据
df['AL'] = np.random.randint(80, 160, size=len(t2))
df

	AL
2019-01-01 00:00:00	116
2019-01-01 01:00:00	102
2019-01-01 02:00:00	124
2019-01-01 03:00:00	81
2019-01-01 04:00:00	152
...	...
2019-12-28 20:00:00	114
2019-12-28 21:00:00	91
2019-12-28 22:00:00	89
2019-12-28 23:00:00	159
2019-12-29 00:00:00	133

8689 rows × 1 columns

df['TC'] = np.random.randint(30,50, size=len(t2))
df

	AL	TC
2019-01-01 00:00:00	116	40
2019-01-01 01:00:00	102	43
2019-01-01 02:00:00	124	33
2019-01-01 03:00:00	81	46
2019-01-01 04:00:00	152	49
...	...	...
2019-12-28 20:00:00	114	44
2019-12-28 21:00:00	91	33
2019-12-28 22:00:00	89	44
2019-12-28 23:00:00	159	35
2019-12-29 00:00:00	133	36

8689 rows × 2 columns

df.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x128151110>

# 画图
import matplotlib.pyplot as plt
plt.show()

# 改成每周采样
week_df = DataFrame()
week_df['AL'] = df['AL'].resample('W').mean()
week_df['TC'] = df['TC'].resample('W').mean()
week_df

	AL	TC
2019-01-06	119.333333	39.958333
2019-01-13	121.142857	39.988095
2019-01-20	119.053571	38.898810
2019-01-27	120.613095	38.339286
2019-02-03	118.833333	39.625000
2019-02-10	115.517857	39.392857
2019-02-17	120.738095	38.755952
2019-02-24	119.440476	38.809524
2019-03-03	122.345238	39.470238
2019-03-10	121.827381	39.738095
2019-03-17	120.660714	39.226190
2019-03-24	118.303571	39.011905
2019-03-31	119.047619	39.672619
2019-04-07	121.892857	38.654762
2019-04-14	120.613095	38.761905
2019-04-21	118.327381	38.791667
2019-04-28	119.023810	40.261905
2019-05-05	121.297619	39.392857
2019-05-12	120.130952	39.238095
2019-05-19	121.577381	39.696429
2019-05-26	120.148810	40.107143
2019-06-02	118.940476	39.458333
2019-06-09	119.821429	39.607143
2019-06-16	116.351190	39.386905
2019-06-23	118.755952	39.619048
2019-06-30	117.404762	39.142857
2019-07-07	119.898810	39.934524
2019-07-14	118.125000	39.559524
2019-07-21	117.690476	39.255952
2019-07-28	119.113095	39.279762
2019-08-04	118.696429	39.357143
2019-08-11	119.642857	39.208333
2019-08-18	121.511905	39.863095
2019-08-25	117.261905	40.125000
2019-09-01	123.285714	40.404762
2019-09-08	118.470238	39.940476
2019-09-15	116.636905	39.107143
2019-09-22	116.702381	39.226190
2019-09-29	121.327381	40.297619
2019-10-06	120.833333	39.410714
2019-10-13	119.505952	38.982143
2019-10-20	119.946429	41.017857
2019-10-27	118.988095	39.482143
2019-11-03	117.994048	39.440476
2019-11-10	115.077381	39.803571
2019-11-17	119.732143	40.238095
2019-11-24	116.035714	38.815476
2019-12-01	118.250000	39.910714
2019-12-08	120.005952	39.434524
2019-12-15	121.797619	40.261905
2019-12-22	120.553571	39.702381
2019-12-29	121.703448	39.724138

week_df.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x127e82f90>