Trama de serie temporal de Seaborn
Las series temporales son un tipo de datos en los que vemos una serie de mediciones durante un período de tiempo. Cada observación tiene su marca de tiempo. Los precios de las acciones, las lecturas de los sensores, los datos observados del programa y otros tipos de datos son ejemplos de este tipo de datos. En este tutorial, usamos los módulos Seaborn y Pandas para mostrar el análisis de series temporales en Python. Antes de crear un gráfico de serie temporal, exploremos algunos conceptos. Un gráfico de tiempo (también conocido como gráfico estadístico) muestra los valores a medida que cambian con el tiempo. Son como gráficos xy. Sin embargo, los gráficos de tiempo solo pueden mostrar el tiempo en el eje x. Mientras que los gráficos xy pueden trazar varias variables «x», como la altura, el peso y la edad. A diferencia de los gráficos circulares y de barras, estos gráficos no contienen categorías. Los gráficos de tiempo son útiles para mostrar el historial de datos a lo largo del tiempo. Este tipo de gráfico puede ser útil, por ejemplo, al analizar datos en intervalos impares. Supongamos que dibujamos gráficos de tiempo usando el módulo Panda. Pandas es una biblioteca basada en NumPy de código abierto. Un módulo de Python proporciona numerosas estructuras de datos y métodos para procesar datos numéricos y estadísticos. Es mejor conocido por facilitar mucho la importación y el análisis de datos. Pandas es rápido, potente y fácil de usar.
Contenidos
Ejemplo 1: creación de un gráfico de serie temporal simple mediante un gráfico de líneas
Usamos módulos de Python para crear los gráficos de series de tiempo. Estos módulos incluyen módulos seaborn, pandas y matplotlib. Después de agregar estos módulos, creamos datos llamando a la función de marco de datos de Panda e insertando el campo «Fecha» para el eje x y tres campos más para el eje y. El campo de fecha contiene datos de series temporales y otros campos contienen solo listas de números aleatorios. Luego tenemos una función de gráfico de líneas marinas que toma los parámetros variables x e y y pasa el marco de datos completo en él, que se almacena en una variable «df». Este gráfico de líneas crea un gráfico de serie temporal y hemos definido la posición de los xticks con el ángulo dado.
| 1234567891011121314151617181920212223 | import matplotlib.pyplot como pltimport seaborn como snsimport pandas como pddf = 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 = «fecha», y = «A», datos = df)plt.xticks(rotación = 20)plt.show() |
El gráfico de series de tiempo se muestra en la siguiente figura. Esta figura es el gráfico de serie temporal de una sola columna:
Ejemplo 2: Creación de un gráfico de serie temporal con numerosas columnas utilizando un gráfico de líneas
El gráfico de serie temporal anterior se representa con una sola columna. Aquí hemos importado los módulos Seaborn, Panda y matplotlib para representar el gráfico de series temporales. Luego creamos datos que tienen cuatro campos definidos. El primer campo se rellena con las fechas y establece el nombre Fecha. En los demás campos configuramos el nombre del auto, que indica la venta del auto en una fecha específica. Luego llamamos dos veces al gráfico de líneas de Seaborn, pero con los nombres de los diferentes campos. El campo de fecha se asigna al eje x y los campos BMW y antiguo se asignan al eje y. Establecemos la etiqueta para el eje y y la rotación trucada para el eje x con un ángulo de 20.
| 12345678910111213141516171819202122232425262728 | import matplotlib.pyplot como pltimport seaborn como snsimport pandas como pddf = 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]’Antiguo’: [19, 43, 62, 58, 52, 87, 36, 5, 26]’civil’: [54, 15, 46, 15, 65, 24, 74, 15, 24]})sns.lineplot(x = «Fecha», y = «BMW», datos = df)sns.lineplot(x = «Fecha», y = «Alto», datos = df)plt.ylabel(«BMW y Alto «)plt.xticks(Rotación = 20)plt.show() |
El gráfico de serie temporal se visualiza con varios paneles en la siguiente imagen del gráfico:
Ejemplo 3: Cree múltiples gráficos de series de tiempo utilizando un gráfico de líneas
Podemos crear múltiples gráficos de series de tiempo con múltiples columnas. Aquí tenemos una figura de ejemplo en la que creamos los cuatro gráficos de series temporales utilizando la función de gráfico de líneas. Primero creamos datos dentro de una variable representada por el nombre df. Luego creamos subparcelas para el gráfico de series de tiempo donde también establecimos el tamaño de la figura dentro de la función de subparcela. Para cada subparcela establecemos la rotación de ticks. Dentro del gráfico de líneas, asignamos las columnas para los parámetros x e y y establecimos el color de cada subgráfico especificando los nombres de los colores. Hay un parámetro adicional; tight_layout se establece con el valor que ajusta el relleno de las subparcelas.
| 1234567891011121314151617181920212223242526272829303132333435363738394041424344 | importar seaborn como snsimport pandas como pdimport matplotlib.pyplot como pltdf = 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′]’Reajuste salarial’: [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]’frío’: [75, 26, 34, 15,14, 54, 25, 24]})fig,ax = plt.subplots( 2, 2, figsize = ( 10, 6))sns.lineplot( x = «Fecha», y = «col_A», color = ‘g’, data = df, ax = Hacha[0][0])Hacha[0][0].tick_params(labelrotation = 15)sns.lineplot( x = «Fecha», y = «col_B», color = ‘b’, data = df, ax = ax[0][1])Hacha[0][1].tick_params(labelrotation = 15)sns.lineplot(x = «Fecha», y = «col_C», color = ‘r’, data = df, ax = ax[1][0])Hacha[1][0].tick_params(labelrotation = 15)sns.lineplot(x = «Fecha», y = «col_D», color = ‘y’, data = df, ax = ax[1][1])Hacha[1][1].tick_params(labelrotation = 15)fig.tight_layout(pad = 1.25)plt.show() |
Aquí tenemos varias representaciones de gráficos de series de tiempo con las diferentes columnas y las diferentes líneas de color usando el gráfico de líneas.
Ejemplo 4: Cree un gráfico de serie temporal utilizando un gráfico de barras
Los valores observados se presentan en barras rectangulares utilizando un gráfico de barras. La técnica barplot() de Seaborn se utiliza para crear gráficos de barras en el módulo Seaborn de Python. Se puede utilizar un gráfico de barras cuando se muestran datos de series temporales continuas. Luego configuramos los datos para el gráfico de series temporales usando la función del módulo Panda llamada Data Frame. Dentro del marco de datos, establecimos las fechas y creamos una lista de números que representan el porcentaje de asistencia. Establecemos el formato de fecha para los gráficos de series temporales con la función to_datetime(). También definimos el tamaño de la figura de la trama de la serie temporal. Después de eso, tenemos una función barplot() que toma los valores de los parámetros x e y para el gráfico de series de tiempo.
| 12345678910111213141516171819 | importar pandas como pdimport matplotlib.pyplot como pltimport seaborn como snsdf = pd.DataFrame({«Date»: [‘01052022′,’01062022′,’01072022′,’01082022’, ‘01092022’,’01102022′]»Presencia»: [88,78,90,68,84,75]}) d.f.[«Date»] = pd.to_datetime(df[«Date»]format = «%d%m%Y»)plt.figure(figsize = (10,9))sns.barplot(x = ‘Fecha’, y = ‘Asistencia’,data = df)plt.show() |
Para datos de series temporales, el siguiente gráfico proporciona una visualización alternativa:
Conclusión
Esta es una descripción general básica de cómo crear gráficos de series temporales para entradas relacionadas con el tiempo. Cuando tiene varios puntos de datos durante un período de tiempo, un gráfico de serie temporal es un enfoque excelente para representar sus datos. Desde la creación de un pequeño conjunto de datos con Pandas Sequence hasta la integración de un conjunto de datos del mundo real y el trazado de gráficos de series temporales que se ajustan a sus necesidades, este artículo lo guiará a través de todo lo que necesita saber.
