当前位置：首页 > backend >正文

Seaborn数据可视化实战:Seaborn时间序列可视化入门

backend 2025/8/23 12:02:17

时间序列图表

学习目标

通过本课程，你将学习如何使用Seaborn库来绘制时间序列图表，包括趋势线和季节性变化的可视化。实验将涵盖Seaborn的基本使用方法，以及如何通过图表来分析时间序列数据中的模式和趋势。

学习内容

1 Seaborn绘制时间序列图表

时间序列图表是一种以时间为横轴、数据变量为纵轴的图表，用于展示数据随时间变化的趋势和规律。它能够清晰地呈现数据在不同时间点的取值，帮助观察者快速识别数据的周期性、趋势性、季节性等特征。通过这种图表，可以直观地分析数据的波动情况，比如股票价格的涨跌、气温的季节变化等，从而为预测未来数据走势、制定决策提供有力依据，广泛应用于金融、气象、经济等领域。

1.1 实验前准备

Seaborn是一个基于Matplotlib的Python数据可视化库，它提供了更高级的接口，用于绘制更美观的统计图形。Seaborn特别适合于绘制复杂的多变量数据集的统计图形，包括时间序列数据。
安装Seaborn库

在开始之前，确保你的Python环境中已经安装了Seaborn。如果还没有安装，可以通过pip安装：

%pip install seaborn

导入必要的库

在Python脚本或Jupyter Notebook中，首先需要导入Seaborn和其他必要的库：

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

设置Seaborn样式

Seaborn提供了多种预设样式，可以通过sns.set()函数来设置。例如，设置为"darkgrid"样式：

sns.set(style="darkgrid")

1.2 时间序列数据的准备

时间序列数据通常包含时间戳和相应的数值。为了更好地使用Seaborn进行可视化，数据通常需要以Pandas DataFrame的形式准备。

创建示例数据

假设我们有一个包含日期和温度的数据集，可以使用Pandas来创建一个示例DataFrame：

# 创建日期范围
dates = pd.date_range(start="2023-01-01", end="2023-12-31", freq="D")# 生成随机温度数据
temperatures = [20 + 10 * (1 + 0.1 * i) * np.sin(2 * np.pi * i / 365) + np.random.normal(0, 5) for i in range(len(dates))]# 创建DataFrame
df = pd.DataFrame({"Date": dates, "Temperature": temperatures})# 查看前几行数据
print(df.head())

数据预处理

在实际应用中，时间序列数据可能需要进行一些预处理，例如处理缺失值、转换数据类型等。Pandas提供了丰富的数据处理功能，可以轻松完成这些任务。

1.3 绘制时间序列图表

Seaborn提供了多种方法来绘制时间序列图表，包括折线图、散点图等。下面将介绍如何使用Seaborn绘制时间序列图表。
绘制基本折线图

使用lineplot函数可以轻松绘制时间序列的折线图：

# 绘制折线图
sns.lineplot(x="Date", y="Temperature", data=df)# 设置图表标题和标签
plt.title("Daily Temperature in 2023")
plt.xlabel("Date")
plt.ylabel("Temperature (°C)")# 显示图表
plt.show()

在这里插入图片描述

添加趋势线

为了更好地展示时间序列的趋势，可以使用regplot函数添加趋势线：

df['Date_unix'] = df['Date'].astype('int64') / 10**9  # 转换为秒# 绘制折线图
sns.lineplot(x="Date_unix", y="Temperature", data=df)# 添加趋势线
sns.regplot(x="Date_unix", y="Temperature", data=df, scatter=False, color="red")# 设置图表标题和标签
plt.title("Daily Temperature in 2023 with Trend Line")
plt.xlabel("Unix Timestamp (seconds)")
plt.ylabel("Temperature")
plt.show()

在这里插入图片描述

绘制季节性变化

时间序列数据中往往包含季节性变化，可以使用lineplot函数的hue参数来展示不同季节的变化：

# 添加季节列
df["Season"] = df["Date"].dt.quarter# 绘制季节性变化
sns.lineplot(x="Date", y="Temperature", hue="Season", data=df)# 设置图表标题和标签
plt.title("Daily Temperature in 2023 by Season")
plt.xlabel("Date")
plt.ylabel("Temperature (°C)")# 显示图表
plt.show()