Lote da série temporal do Seaborn

Série temporal é um tipo de dados em que vemos um conjunto de medições durante um período. Cada observação tem seu registro de data e hora. Preços das ações, leituras de sensores, dados observados pelo programa e outros tipos de dados são exemplos desse tipo de dados. Neste tutorial, usaremos o módulo Seaborn e Pandas para plotar a análise de séries temporais no Python. Antes de construir um enredo de séries temporais, vamos examinar alguns conceitos.

Um gráfico de tempo (também conhecido como gráfico estatístico) mostra valores à medida que eles mudam com o tempo. Eles são como gráficos x-y. No entanto, as parcelas de tempo só podem representar o tempo no eixo x. Enquanto os gráficos X-Y podem plotar várias variáveis ​​"X", como altura, peso e idade. Essas parcelas não incluem categorias, diferentemente de gráficos de pizza e gráficos de barras. As parcelas de tempo são úteis na exibição da progressão dos dados ao longo do tempo. Por exemplo, esse tipo de gráfico pode ser útil se você estivesse analisando dados em intervalos ímpares.

Suponha que estamos traçando gráficos de tempo com o módulo Panda. Pandas é uma biblioteca de código aberto baseado em Numpy. Um módulo Python fornece inúmeras estruturas e métodos de dados para processar dados numéricos e estatísticos. É mais conhecido por tornar a importação e análise de dados significativamente mais simples. Pandas é rápido, de alto desempenho e fácil de usar.

Exemplo 1: Criando um gráfico de séries temporais simples usando um gráfico de linha

Usamos módulos Python para construir as parcelas da série temporal. Esses módulos incluem módulos Seaborn, Pandas e Matplotlib. Depois de adicionar esses módulos, criamos dados chamando a função do quadro de dados do Panda e inserimos o campo de 'data' para o eixo x e mais três campos para o eixo y. O campo Data possui dados da série temporal e outros campos têm apenas listas de números aleatórios.

Em seguida, temos uma função de plotagem da linha marítima em que os parâmetros variáveis ​​X e Y são definidos e passam todo o quadro de dados dentro dele, que é armazenado dentro de uma variável "df". Este gráfico de linha cria um gráfico de séries temporais e definimos o local do Xticks com o ângulo especificado.

importar matplotlib.pyplot como plt
Importar Seaborn como SNS
importar pandas como 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 = "date", y = "a",
dados = df)
plt.Xticks (rotação = 20)
plt.mostrar()

O enredo da série Times é renderizado dentro da figura a seguir. Esta figura é o gráfico de séries temporais de coluna única:

Exemplo 2: Criando um gráfico de séries temporais com inúmeras colunas usando um gráfico de linha

O gráfico de séries temporais anteriores é renderizado com uma única coluna. Aqui, importamos os módulos Seaborn, Panda e Matplotlib para renderizar o enredo da série temporal. Em seguida, criamos dados que têm quatro campos definidos. O primeiro campo é definido com as datas e define a data do nome. Nos outros campos, definimos o nome do carro, que mostra as vendas do carro em uma data específica.

Depois disso, chamamos a trama da linha Seaborn duas vezes, mas com os nomes dos diferentes campos. O eixo x é atribuído com a data de campo e o eixo y é atribuído com o campo BMW e Alto. Definimos o rótulo para o eixo y e a rotação dos truques para o eixo x com um ângulo de 20.

importar matplotlib.pyplot como plt
Importar Seaborn como SNS
importar pandas como 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 = "date", y = "bmw", dados = df)
SNS.lineplot (x = "date", y = "alto", dados = df)
plt.Ylabel ("BMW e Alto")
plt.Xticks (rotação = 20)
plt.mostrar()

O gráfico de séries temporais é visualizado com os vários campos na figura do gráfico a seguir:

Exemplo 3: Crie várias parcelas de séries temporais usando um gráfico de linha

Podemos criar várias parcelas de séries temporais com várias colunas. Aqui, temos um exemplo de ilustração em que criamos as quatro parcelas da série temporal com a função de plotagem de linha. Primeiro, criamos dados dentro de uma variável representada pelo nome DF. Em seguida, criamos subparcelas para o gráfico de séries temporais, onde também definimos o tamanho da figura dentro da função da subtrama.

Para cada subparcela, definimos a rotação de carrapatos. Dentro do gráfico de linha, atribuímos as colunas para os parâmetros x e y e definimos a cor de cada subtrama, fornecendo os nomes de cores. Há um parâmetro adicional; Fight_Layout é definido com o valor que ajusta o preenchimento das subparcelas.

Importar Seaborn como SNS
importar pandas como PD
importar matplotlib.pyplot como 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.subparcelas (2, 2, figSize = (10, 6))
SNS.lineplot (x = "date", y = "col_a",
color = 'g', dados = df,
ax = ax [0] [0])
AX [0] [0].Tick_params (Labelrotation = 15)
SNS.lineplot (x = "date", y = "col_b",
color = 'b', dados = df,
ax = ax [0] [1])
machado [0] [1].Tick_params (Labelrotation = 15)
SNS.lineplot (x = "date", y = "col_c",
color = 'r', dados = df,
ax = ax [1] [0])
machado [1] [0].Tick_params (Labelrotation = 15)
SNS.lineplot (x = "date", y = "col_d",
color = 'y', dados = df,
AX = AX [1] [1])
machado [1] [1].Tick_params (Labelrotation = 15)
Figo.Fight_Layout (Pad = 1.25)
plt.mostrar()

Aqui, temos várias representações de enredo em série temporadas com as diferentes colunas e as diferentes linhas de cores usando o gráfico de linha.

Exemplo 4: Crie um gráfico de séries temporais usando um gráfico de barra

Os valores observados são retratados em barras retangulares usando um gráfico de barra. A técnica de Barplot Seaborn () é usada para construir gráficos de barras no módulo Seaborn do Python. Ao exibir dados de séries temporais contínuas, um gráfico de barras pode ser utilizado.

Em seguida, definimos os dados para o gráfico de séries temporais com a ajuda da função do módulo panda chamada de um quadro de dados. Dentro do quadro de dados, definimos as datas e criamos uma lista de números que representam a porcentagem de participação. Com a função to_dateTime (), definimos o formato de data para as parcelas de séries temporais. Também definimos o tamanho da figura do enredo da série temporal. Depois disso, temos uma função Barplot () que leva os valores para os parâmetros X e Y para o enredo da série temporal.

importar pandas como PD
importar matplotlib.pyplot como plt
Importar Seaborn como SNS
df = pd.Dataframe ("date": ['01052022', '01062022', '01072022', '01082022',
'01092022', '01102022'],
"Participação": [88,78,90,68,84,75])
df ["date"] = pd.to_dateTime (df ["date"], format = "%d%m%y")
plt.Figura (FigSize = (10,9))
SNS.barplot (x = 'data', y = 'participação', dados = df)
plt.mostrar()

Para dados de séries temporais, o gráfico a seguir fornece uma visualização alternativa:

Conclusão

Este é um resumo básico de como gerar gráficos de séries temporais para entrada relacionada ao tempo. Quando você tem vários pontos de dados em um período de tempo especificado, um gráfico de séries temporais é uma excelente abordagem para representar seus dados. Desde a criação de um pequeno conjunto de dados com a sequência de pandas até a integração de um conjunto de dados do mundo real e a plotagem de parcelas de séries temporais dependentes de suas necessidades, este artigo o guia através de tudo o que você precisa saber.