[[272839]]

時間序列數據在數據科學領域無處不在，在量化金融領域也十分常見，可以用于分析價格趨勢，預測價格，探索價格行為等。

學會對時間序列數據進行可視化，能夠幫助我們更加直觀地探索時間序列數據，尋找其潛在的規律。

本文會利用Python中的matplotlib【1】庫，并配合實例進行講解。matplotlib庫是一個用于創建出版質量圖表的桌面繪圖包（2D繪圖庫），是Python中最基本的可視化工具。

【工具】Python 3

【數據】Tushare

【注】示例注重的是方法的講解，請大家靈活掌握。

1.單個時間序列

首先，我們從tushare.pro獲取指數日線行情數據，并查看數據類型。 

import tushare as ts  
import pandas as pd  
pd.set_option('expand_frame_repr', False)  # 顯示所有列  
ts.set_token('your token')  
pro = ts.pro_api()  
df = pro.index_daily(ts_code='399300.SZ')[['trade_date', 'close']]  
df.sort_values('trade_date', inplace=True)   
df.reset_index(inplace=True, drop=True)  
print(df.head())  
  trade_date    close  
0   20050104  982.794  
1   20050105  992.564  
2   20050106  983.174  
3   20050107  983.958  
4   20050110  993.879  
print(df.dtypes)  
trade_date     object  
close         float64  
dtype: object 

交易時間列'trade_date' 不是時間類型，而且也不是索引，需要先進行轉化。 

df['trade_date'] = pd.to_datetime(df['trade_date'])  
df.set_index('trade_date', inplace=True)  
print(df.head())  
              close  
trade_date           
2005-01-04  982.794  
2005-01-05  992.564  
2005-01-06  983.174  
2005-01-07  983.958  
2005-01-10  993.879 

接下來，就可以開始畫圖了，我們需要導入matplotlib.pyplot【2】，然后通過設置set_xlabel()和set_xlabel()為x軸和y軸添加標簽。 

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

matplotlib庫中有很多內置圖表樣式可以選擇，通過打印plt.style.available查看具體都有哪些選項，應用的時候直接調用plt.style.use('fivethirtyeight')即可。 

print(plt.style.available)  
['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'] 
 plt.style.use('fivethirtyeight')  
ax1 = df.plot()  
ax1.set_title('FiveThirtyEight Style')  
plt.show() 

2.設置更多細節

上面畫出的是一個很簡單的折線圖，其實可以在plot()里面通過設置不同參數的值，為圖添加更多細節，使其更美觀、清晰。

figsize(width, height)設置圖的大小，linewidth設置線的寬度，fontsize設置字體大小。然后，調用set_title()方法設置標題。 

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

如果想要看某一個子時間段內的折線變化情況，可以直接截取該時間段再作圖即可，如df['2018-01-01': '2019-01-01'] 

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

如果想要突出圖中的某一日期或者觀察值，可以調用.axvline()和.axhline()方法添加垂直和水平參考線。 

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

也可以調用axvspan()的方法為一段時間添加陰影標注，其中alpha參數設置的是陰影的透明度，0代表完全透明，1代表全色。 

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

3.移動平均時間序列

有時候，我們想要觀察某個窗口期的移動平均值的變化趨勢，可以通過調用窗口函數rolling來實現。下面實例中顯示的是，以250天為窗口期的移動平均線close，以及與移動標準差的關系構建的上下兩個通道線upper和lower。 

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

4.多個時間序列

如果想要可視化多個時間序列數據，同樣可以直接調用plot()方法。示例中我們從tushare.pro上面選取三只股票的日線行情數據進行分析。 

# 獲取數據  
code_list = ['000001.SZ', '000002.SZ', '600000.SH']  
data_list = []  
for code in code_list:  
    print(code)  
    df = pro.daily(ts_code=code, start_date='20180101', end_date='20190101')[['trade_date', 'close']]  
    df.sort_values('trade_date', inplace=True)  
    df.rename(columns={'close': code}, inplace=True)  
    df.set_index('trade_date', inplace=True)  
    data_list.append(df)  
df = pd.concat(data_list, axis=1)  
print(df.head())  
000001.SZ  
000002.SZ  
600000.SH  
            000001.SZ  000002.SZ  600000.SH  
trade_date                                   
20180102        13.70      32.56      12.72  
20180103        13.33      32.33      12.66  
20180104        13.25      33.12      12.66  
20180105        13.30      34.76      12.69  
20180108        12.96      35.99      12.68  
# 畫圖  
ax = df.plot(linewidth=2, fontsize=12)  
ax.set_xlabel('trade_date')  
ax.legend(fontsize=15)  
plt.show() 

調用.plot.area()方法可以生成時間序列數據的面積圖，顯示累計的總數。 

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

如果想要在不同子圖中單獨顯示每一個時間序列，可以通過設置參數subplots=True來實現。layout指定要使用的行列數，sharex和sharey用于設置是否共享行和列，colormap='viridis' 為每條線設置不同的顏色。 

df.plot(subplots=True,  
          layout=(2, 2),  
          sharex=False,  
          sharey=False,  
          colormap='viridis',  
          fontsize=7,  
          legend=False,  
          linewidth=0.3)  
plt.show() 

5.總結

本文主要介紹了如何利用Python中的matplotlib庫對時間序列數據進行一些簡單的可視化操作，包括可視化單個時間序列并設置圖中的細節，可視化移動平均時間序列和多個時間序列。