Визуализация временных рядов с использованием Matplotlib, Seaborn и Plotly

Этот проект демонстрирует создание и визуализацию различных типов временных рядов, включая тренды, сезонность и шум. Для построения графиков используются библиотеки Matplotlib, Seaborn и Plotly, что позволяет создавать как статичные, так и интерактивные визуализации данных. Проект охватывает как базовые, так и более сложные концепции анализа временных рядов.

Описание

В данном проекте:

• Matplotlib используется для создания стандартных статичных графиков.
• Seaborn улучшает визуализацию, предоставляя стильные и удобные графики.
• Plotly позволяет создавать интерактивные графики, которые можно масштабировать и исследовать в реальном времени.

Проект иллюстрирует, как можно комбинировать различные компоненты временных рядов, такие как тренды, сезонность и шум, для создания более сложных моделей данных.

Требования

Перед запуском убедитесь, что у вас установлены следующие библиотеки:

• numpy — для работы с массивами данных.
• matplotlib — для создания статичных графиков.
• seaborn — для улучшения визуализации с помощью эстетичных графиков.
• plotly — для создания интерактивных графиков.

Для установки зависимостей, выполните команду:

pip install numpy matplotlib seaborn plotly

Структура кода

Импорт библиотек

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.graph_objects as go

• numpy - используется для работы с числовыми данными.
• matplotlib.pyplot - отвечает за создание стандартных графиков.
• seaborn - используется для улучшения визуализации графиков.
• plotly.graph_objects - предоставляет возможность строить интерактивные графики.

Создание тренда

Для создания линейного тренда используется функция trend:

def trend(time, slope=0):
    return slope * time

• slope — параметр для наклона линии тренда, может быть как положительным, так и отрицательным.

Функция добавляет тренд к временной серии с заданным наклоном (положительным или отрицательным).

Сезонность

Для моделирования сезонных колебаний используются функции seasonal_pattern и seasonality:

def seasonal_pattern(season_time):
    return np.where(season_time < 0.45,
                   np.cos(season_time * 2 * np.pi),
                   1 / np.exp(3 * season_time))

def seasonality(time, period, amplitude=1, phase=0):
    season_time = ((time + phase) % period) / period
    return amplitude * seasonal_pattern(season_time)

• period — период сезонности.
• amplitude — амплитуда сезонности.
• phase — сдвиг фазы.

Эти функции генерируют сезонные колебания, которые можно использовать для моделирования циклических данных.

Белый шум

Функция white_noise генерирует случайный белый шум:

def white_noise(time, noise_level=1, seed=None):
    random = np.random.RandomState(seed)
    return random.random(len(time)) * noise_level

• noise_level — уровень шума, который влияет на амплитуду.

Визуализация данных

Для каждого типа данных (тренд, сезонность, шум и т. д.) предусмотрены три варианта визуализации:

1. Matplotlib — стандартная визуализация.
2. Seaborn — стилезованные графики.
3. Plotly — интерактивные графики.

Пример функции для визуализации с помощью Seaborn:

def plot_seaborn_series(time, series, start=0, end=None, color="blue"):
    sns.lineplot(x=time[start:end], y=series[start:end], color=color)
    plt.xlabel("Время")
    plt.ylabel("Значение")
    plt.tight_layout()

Аналогичная функция для Plotly:

def plot_plotly_series(time, series, start=0, end=None, title="Plot", color="blue"):
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=time[start:end], y=series[start:end], mode='lines', 
    line=dict(color=color)))
    fig.update_layout(title=title, xaxis_title="Время", yaxis_title="Значение")
    fig.show()

Пример использования

1. Тренд

Пример создания тренда с положительным наклоном:

slope = 0.1
series = trend(time, slope)
plot_series(time, series, color="purple")
plt.title("Trend Plot - 1")
plt.show()

Аналогичные графики строятся с помощью Seaborn и Plotly.

2. Сезонность:

Пример создания сезонности:

series = seasonality(time, period=365, amplitude=40)
plot_series(time, series, color="green")
plt.title("Seasonality Plot - 1")
plt.show()

3. Белый шум:

Пример генерации белого шума:

noise = white_noise(time, noise_level=10)
plot_series(time[:200], noise[:200], color="blue")
plt.title("Noise Plot")
plt.show()

4. Комбинированные графики

Пример создания комбинированного графика, который включает тренд и сезонность:

series = trend(time, 0.08) + seasonality(time, period=365, amplitude=40)
plot_series(time, series, color="green")
plt.title("Seasonality + Trend Plot")
plt.show()

Запуск кода

После того как все зависимости установлены, запустите скрипт:

python time_series_visualization.py

Код создаст несколько графиков для различных типов данных и сохранит их в виде изображений.

Визуализация в Google Colab

Если вы хотите запустить код в Google Colab, просто загрузите файл .ipynb и выполните ячейки.

1. Перейдите на Google Colab.
2. Загрузите файл time_series_plot.ipynb через меню "Файл" → "Открыть блокнот" → "Загрузить".
3. Запустите ячейки по порядку, чтобы увидеть графики.

Скриншоты

Пример 1: Тренд

Пример 2: Сезонность

Пример 3: Белый шум

Пример 4: Комбинированный график

Примечания

• Для корректного отображения интерактивных графиков Plotly требуется браузер или интеграция с Google Colab.
• Для лучшего отображения графиков в Google Colab используйте встроенную поддержку Plotly.