Python中的时序分析和可视化案例

每个数据集都有自己的特征，我们使用它们的特征作为特征来深入了解数据。在本文中，我们将讨论一种重要的数据集，即时间序列数据。

什么是时间序列数据

时间序列数据是按连续时间顺序列出的一系列数据点，或者我们可以说时间序列数据是时间上连续等间隔点的序列。时间序列分析包括分析时间序列数据的方法，以提取有意义的见解和数据的其他有价值的特征。

时间序列数据是按连续时间顺序列出的一系列数据点，或者我们可以说时间序列数据是时间上连续等间隔点的序列。时间序列分析包括分析时间序列数据的方法，以提取有意义的见解和数据的其他有价值的特征。

使用Python实现时间序列数据可视化

我们将使用Python库来可视化数据。数据集的链接可以在这里找到。

https://github.com/Neelu-Tiwari/dataset/blob/main/stock_data.csv

我们将像在任何时间序列数据项目中一样一步一步地执行可视化。

导入库

我们将在一个地方导入本文中使用的所有库，这样就不必每次使用时都导入，这将保存我们的时间和精力。

• Numpy -一个用于数值数学计算和处理多维ndarray的Python库，它也有一个非常大的数学函数集合来操作这个数组。
• Pandas -一个构建在NumPy之上的Python库，用于有效的矩阵乘法和矩阵操作，它也用于数据清理，数据合并，数据整形和数据聚合。
• Matplotlib -它用于绘制2D和3D可视化图，它还支持各种输出格式，包括数据图形。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

加载数据集

为了将数据集加载到一个框架中，我们将使用pandas read_csv（）函数。我们将使用head（）函数打印数据集的前五行。在这里，我们将在read_csv函数中使用’parse_dates’参数将’Date’列转换为DatetimeIndex格式。默认情况下，日期以字符串格式存储，这不是时间序列数据分析的正确格式。

# reading the dataset using read_csv
df = pd.read_csv("stock_data.csv", 
				parse_dates=True, 
				index_col="Date")

# displaying the first five rows of dataset
df.head()

输出

            Unnamed: 0   Open   High    Low  Close    Volume  Name
Date                                                              
2006-01-03         NaN  39.69  41.22  38.79  40.91  24232729  AABA
2006-01-04         NaN  41.22  41.90  40.77  40.97  20553479  AABA
2006-01-05         NaN  40.93  41.73  40.85  41.53