Визуализация временных рядов в Python 3

Published by Leave your thoughts

Анализ временных рядов относится к области статистики, которая изучает упорядоченные и временные данные. Своевременный и хорошо продуманный анализ временных рядов может предоставить полезные статистические данные и даже составить некоторый прогноз на будущее. Поэтому он применяется во многих областях, включая экономику, прогнозирование погоды и планирование пропускной способности.

Данное руководство ознакомит вас с базовыми методами анализа временных рядов и научит визуализировать такие данные.

Требования

Данное руководство можно выполнить на локальном компьютере или удалённом сервере.

  • Для работы с объёмными базами данных и выполнения некоторых расчетов компьютеру потребуется как минимум 2 ГБ памяти.
  • Jupyter Notebook (руководство по установке Jupyter Notebook вы найдёте здесь).
  • Локальная или удалённая среда разработки.

1: Установка пакетов

Установите гибкую библиотеку pandas, которая предназначена для управления данными, и библиотеку statsmodels, которая позволяет выполнять статистические вычисления в Python. Эти две библиотеки расширяют аналитический инструментарий Python.

Как и другие инструменты Python, pandas и statsmodels можно установить с помощью pip. Разверните среду разработки:

cd environments
. my_env/bin/activate

Создайте новый каталог для проекта; в руководстве он будет называться timeseries. Откройте этот каталог.

mkdir timeseries
cd timeseries

Примечание: Вместо timeseries укажите имя своего каталога.

Теперь можно установить pandas, statsmodels и пакет визуализации данных matplotlib. Следующая команда установит эти пакеты и их зависимости:

pip install pandas statsmodels matplotlib

2: Загрузка данных временного ряда

Запустите Jupyter Notebook:

jupyter notebook

Чтобы создать новый документ, выберите New →Python 3 в выпадающем меню в правом верхнем углу страницы.

В новый документ можно добавить установленные библиотеки (сошлитесь на них с помощью сокращений). Добавьте в начало документа:

import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt

Примечание: После добавления каждого блока кода нужно нажимать Alt + Enter, чтобы запустить код.

Библиотека statsmodels предоставляет встроенные данные временного ряда, потому набор данных можно загрузить прямо в память.

Для примера можно использовать набор «Atmospheric CO2 from Continuous Air Samples at Mauna Loa Observatory, Hawaii, U.S.A.», в котором собраны образцы CO2 с марта 1958 года по декабрь 2001 года. Добавьте в файл:

data = sm.datasets.co2.load_pandas()
co2 = data.data

Убедитесь, что первые строки набора выглядят так:

print(co2.head(5))
co2
1958-03-29  316.1
1958-04-05  317.3
1958-04-12  317.6
1958-04-19  317.5
1958-04-26  316.4

3: Индексация данных временного ряда

Возможно, вы заметили, что даты в наборе данных используются в качестве индексов структуры DataFrame. При работе с данными временных рядов в Python даты должны использоваться как индексы. Для этого нужно запустить:

co2.index
DatetimeIndex(['1958-03-29', '1958-04-05', '1958-04-12', '1958-04-19',
'1958-04-26', '1958-05-03', '1958-05-10', '1958-05-17',
'1958-05-24', '1958-05-31',
...
'2001-10-27', '2001-11-03', '2001-11-10', '2001-11-17',
'2001-11-24', '2001-12-01', '2001-12-08', '2001-12-15',
'2001-12-22', '2001-12-29'],
dtype='datetime64[ns]', length=2284, freq='W-SAT')

Поле dtype=datetime[ns] будет индексировать данные с помощью объектов временных меток, а length=2284 и freq=’W-SAT’ добавляют 2,284 временные метки еженедельно (начиная с субботы).

Вместо данных за неделю лучше и надёжнее использовать среднемесячные значения временных рядов. Их можно получить с помощью удобной функции resample, которая позволяет группировать временные ряды в блоки (1 месяц), применять функцию к каждой группе (получать среднее значение) и комбинировать результат (по одной строке на группу).

y = co2['co2'].resample('MS').mean()

MS значит, что данные сгруппированы по месяцам. В качестве временной метки используется первый день месяца.

y.head(5)
1958-03-01    316.100
1958-04-01    317.200
1958-05-01    317.120
1958-06-01    315.800
1958-07-01    315.625
Freq: MS, Name: co2, dtype: float64

Интересной особенностью библиотеки pandas является возможность обрабатывать индексы меток дат, благодаря чему можно быстро создать срез данных. Например, Можно создать срез и получить данные за определённый год:

y['1990':]
1990-01-01    353.650
1990-02-01    354.650
...
2001-11-01    369.375
2001-12-01    371.020
Freq: MS, Name: co2, dtype: float64

Чтобы извлечь данные за период с октября 1995 года по октябрь 1996 года, введите:

y['1995-10-01':'1996-10-01']
1995-10-01    357.850
1995-11-01    359.475
1995-12-01    360.700
1996-01-01    362.025
1996-02-01    363.175
1996-03-01    364.060
1996-04-01    364.700
1996-05-01    365.325
1996-06-01    364.880
1996-07-01    363.475
1996-08-01    361.320
1996-09-01    359.400
1996-10-01    359.625
Freq: MS, Name: co2, dtype: float64

4: Обработка пропущенных значений в данных временного ряда

Во временных рядах нередко встречаются пропущенные значения. Чтобы проверить временной ряд на наличие пропущенных значений, вы можете создать график или использовать эту команду:

y.isnull().sum()
5

Этот вывод сообщает о том, что пропущенные значения были обнаружены в 5 месяцах.

В целом, если пропущенных значений не очень много, можно их заполнить. В pandas для этого используется команда fillna(). Для простоты пропущенные значения в временном ряду можно заполнить ближайшим ненулевым значением, хотя важно отметить, что иногда предпочтительнее использовать скользящее среднее.

y = y.fillna(y.bfill())

Заполнив пропущенные значения, повторите проверку:

y.isnull().sum()
0

Как видите, пропущенные значения был заполнены.

5: Визуализация временных данных

Визуализация временного ряда может предоставить много полезной информации. Основные компоненты анализа:

  • Сезонность: зависят ли данные от временного периода? Существует ли чёткая картина их колебаний?
  • Тренд: можно ли отследить долгосрочный рост или спад данных?
  • Шум: существуют ли какие-либо точки выброса или пропущенные значения, которые не согласуются с остальными данными?

Чтобы отобразить график, используйте обёртку pandas вокруг matplotlib API:

y.plot(figsize=(15, 6))
plt.show()

При построении данных вы получите несколько шаблонов их поведения. К примеру, временной ряд может отличаться сезонностью, а также иметь общий тренд на увеличение.

Визуализировать данные можно также с помощью декомпозиции временных рядов. Метод декомпозиции временных рядов позволяет разложить временные ряды на три отдельных компонента: тренд, сезонность и шум.

Для выполнения декомпозиции рядов по сезонности библиотека statsmodels предоставляет встроенную функцию seasonal_decompose.

Приведённый ниже сценарий выполняет декомпозицию временных рядов по сезонности. По умолчанию seasonal_decompose возвращает изображение относительно небольшого размера; первые две строки этого фрагмента кода увеличивают полученное изображение.

from pylab import rcParams
rcParams['figure.figsize'] = 11, 9
decomposition = sm.tsa.seasonal_decompose(y, model='additive')
fig = decomposition.plot()
plt.show()

Декомпозиция временного ряда позволяет быстро определить изменяющееся среднее значение.

Полученные данные помогут лучше понять структуру временных рядов. Многие методы прогнозирования основаны на концепции структурированной декомпозиции.

Заключение

Теперь вы умеете визуализировать данные временного ряда в Python 3.

Чтобы немного попрактиковаться, загрузите другой временной ряд и попробуйте повторить это руководство с другими данными.

Читайте также:

Tags: , ,

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *


*

Можно использовать следующие HTML-теги и атрибуты: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>