简洁的Python时间序列可视化实现

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库是一个用于创建出版质量图表的桌面绘图包（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。

1.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。

1. import tushare as ts  
2. import pandas as pd  
3. pd.set_option('expand_frame_repr', False)  # 显示所有列  
4. ts.set_token('your token')  
5. pro = ts.pro_api()  
6. df = pro.index_daily(ts_code='399300.SZ')[['trade_date', 'close']]  
7. df.sort_values('trade_date', inplace=True)   
8. df.reset_index(inplace=True, drop=True)  
9. print(df.head())  
10.   trade_date    close  
11. 0   20050104  982.794  
12. 1   20050105  992.564  
13. 2   20050106  983.174  
14. 3   20050107  983.958  
15. 4   20050110  993.879  
16. print(df.dtypes)  
17. trade_date     object  
18. close         float64  
19. 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。

1. df['trade_date'] = pd.to_datetime(df['trade_date'])  
2. df.set_index('trade_date', inplace=True)  
3. print(df.head())  
4.               close  
5. trade_date           
6. 2005-01-04  982.794  
7. 2005-01-05  992.564  
8. 2005-01-06  983.174  
9. 2005-01-07  983.958  
10. 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()和set_xlabel()为x轴和y轴添加标签。

1. import matplotlib.pyplot as plt  
2. ax = df.plot(color='')  
3. ax.set_xlabel('trade_date')  
4. ax.set_ylabel('399300.SZ close')  
5. plt.show() 

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。

1. print(plt.style.available)  
2. ['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'] 
3.  plt.style.use('fivethirtyeight')  
4. ax1 = df.plot()  
5. ax1.set_title('FiveThirtyEight Style')  
6. plt.show() 

2.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。

1. ax = df.plot(color='blue', figsize=(8, 3), linewidth=2, fontsize=6)  
2. ax.set_title('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8)  
3. plt.show() 

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']

1. dfdf_subset_1 = df['2018-01-01':'2019-01-01']  
2. ax = df_subset_1.plot(color='blue', fontsize=10)  
3. plt.show() 

如果想要突出图中的某一日期或者观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。

1. ax = df.plot(color='blue', fontsize=6)  
2. ax.axvline('2019-01-01', color='red', linestyle='--')  
3. ax.axhline(3000, color='green', linestyle='--')  
4. plt.show() 

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。

1. ax = df.plot(color='blue', fontsize=6)  
2. ax.axvspan('2018-01-01', '2019-01-01', color='red', alpha=0.3)  
3. ax.axhspan(2000, 3000, color='green', alpha=0.7)  
4. plt.show() 

3.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。

1. ma = df.rolling(window=250).mean()  
2. mstd = df.rolling(window=250).std()  
3. ma['upper'] = ma['close'] + (mstd['close'] * 2)  
4. ma['lower'] = ma['close'] - (mstd['close'] * 2)  
5. ax = ma.plot(linewidth=0.8, fontsize=6)  
6. ax.set_xlabel('trade_date', fontsize=8)  
7. ax.set_ylabel('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8)  
8. ax.set_title('Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04', fontsize=10)  
9. plt.show() 

4.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。

1. # 获取数据  
2. code_list = ['000001.SZ', '000002.SZ', '600000.SH']  
3. data_list = []  
4. for code in code_list:  
5.     print(code)  
6.     df = pro.daily(ts_code=code, start_date='20180101', end_date='20190101')[['trade_date', 'close']]  
7.     df.sort_values('trade_date', inplace=True)  
8.     df.rename(columns={'close': code}, inplace=True)  
9.     df.set_index('trade_date', inplace=True)  
10.     data_list.append(df)  
11. df = pd.concat(data_list, axis=1)  
12. print(df.head())  
13. 000001.SZ  
14. 000002.SZ  
15. 600000.SH  
16.             000001.SZ  000002.SZ  600000.SH  
17. trade_date                                   
18. 20180102        13.70      32.56      12.72  
19. 20180103        13.33      32.33      12.66  
20. 20180104        13.25      33.12      12.66  
21. 20180105        13.30      34.76      12.69  
22. 20180108        12.96      35.99      12.68  
23. # 画图  
24. ax = df.plot(linewidth=2, fontsize=12)  
25. ax.set_xlabel('trade_date')  
26. ax.legend(fontsize=15)  
27. plt.show() 

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。

1. ax = df.plot.area(fontsize=12)  
2. ax.set_xlabel('trade_date')  
3. ax.legend(fontsize=15)  
4. plt.show() 

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，sharex和sharey用于设置是否共享行和列，colormap='viridis' 为每条线设置不同的颜色。

1. df.plot(subplots=True,  
2.           layout=(2, 2),  
3.           sharex=False,  
4.           sharey=False,  
5.           colormap='viridis',  
6.           fontsize=7,  
7.           legend=False,  
8.           linewidth=0.3)  
9. plt.show()