Python数据分析案例之时间序列分析-技术圈

Python数据分析案例之时间序列分析

共 4211字，需浏览 9分钟

· 2024-04-11

概述：什么是时间序列

顾名思义，时间序列就是按照时间顺序排列的一组数据序列。时间序列分析就是找出数据变化发展的规律，从而预测未来的走势。时间序列分析有以下几种表现形式： ○长期趋势变化：受某种因素的影响，数据依据时间变化，按某种规则稳步增长或下降。使用的分析方法有：移动平均法、指数平滑法等。 ○季节性周期变化：受季节更替等因素影响，数据依据固定周期规则性的变化。季节性周期变化，不局限于自然季节，还包括月、周等短期周期。例如，空调、羽绒服、冷饮的销售，双十一、双十二流量在一周之内的波动等。采用的方法：季节指数。 ○循环变化：指一种较长时间的上下起伏周期性波动，一般循环时间在2~15 年。 ○ 随机性变化：由许多不确定因素引起的数据变化，在时间序列中无法预计。

案例：年增长趋势和季节性波动分析

下面分析淘宝店铺近三年的增长趋势和季节性波动，如图13 所示。从分析结果得出，近三年淘宝店铺的收入呈现持续稳定增长趋势，但在2019 年有所下降，季节性波动比较明显，而每年的第4 季度是销售“旺季”。

图13 年增长趋势和季节性波动

程序代码如下：

                  
                    import pandas as pd
                  
                  
                    
                      

                  
                  
                    import matplotlib.pyplot as plt
                  
                  
                    
                      

                  
                  
                    df = pd.read_excel('TB.xls')
                  
                  
                    
                      

                  
                  
                    df1=df[['订单付款时间','买家实际支付金额']]
                  
                  
                    
                      

                  
                  
                    df1 = df1.set_index('订单付款时间')                                  #将“订单付款时间”设置为索引
                  
                  
                    
                      

                  
                  
                    plt.rcParams['font.sans-serif']=['SimHei']                            #解决中文乱码
                  
                  
                    
                      

                  
                  
                    
                      #按年统计数据
                    
                  
                  
                    
                      

                  
                  
                    df_y=df1.resample('AS').sum().to_period('A')
                  
                  
                    
                      

                  
                  
                    print(df_y)
                  
                  
                    
                      

                  
                  
                    
                      #按季度统计数据
                    
                  
                  
                    
                      

                  
                  
                    df_q=df1.resample('Q').sum().to_period('Q')
                  
                  
                    
                      

                  
                  
                    print(df_q)
                  
                  
                    
                      

                  
                  
                    
                      #绘制子图
                    
                  
                  
                    
                      

                  
                  
                    fig = plt.figure(figsize=(8,3))
                  
                  
                    
                      

                  
                  
                    ax=fig.subplots(1,2)
                  
                  
                    
                      

                  
                  
                    df_y.plot(subplots=True,ax=ax[0])
                  
                  
                    
                      

                  
                  
                    df_q.plot(subplots=True,ax=ax[1])
                  
                  
                    
                      

                  
                  
                    
                      #调整图表距上部和底部的空白
                    
                  
                  
                    
                      

                  
                  
                    plt.subplots_adjust(top=0.95,bottom=0.2)
                  
                  
                    
                      

                  
                  
                    plt.show()__