Visualización

En la 3ª sección, se familiarizará con la visualización de series temporales con una sola variable dependiente y series temporales múltiples con muchas variables que deben visualizarse en el mismo gráfico.
La visualización de series temporales es una de las etapas más importantes del tratamiento de datos, ya que permite al experto evaluar el panorama general y comprender a grandes rasgos la naturaleza de los datos (estacionariedad, estacionalidad, ciclicidad, etc.).

Para la visualización se utiliza la biblioteca matplotlib. Ejemplo de visualización de series temporales con una variable:

python
99
1
2
3
4
5
6
7
8
9
10
import matplotlib.pyplot como plt
import pandas como pd

datos = pd.read_csv("ejemplo.csv")

fig, ax = plt.subplots(figsize=(11, 9))
ax.plot(datos["Fecha"], datos["Precio"])
ax.set_xlabel("Fecha")
ax.set_ylabel("Precio")
plt.tight_layout()

¿Qué problemas pueden surgir al representar varias series temporales en el mismo gráfico?

Si el número de series temporales que desea visualizar no excede de 5, crear un único gráfico con ellas puede ser una buena idea, pero cuando hay más de 10, puede resultar difícil:

En los capítulos siguientes, aprenderá a visualizar un gran número de series temporales de forma que le resulte más fácil, como experto, explorar los datos:

Tarea

Swipe to start coding

Utiliza las series temporales del conjunto de datos co2 y visualízalas.

Crea objetos Figure y Axes asignados a las variables fig, ax.
Inicializar un gráfico de líneas con las fechas (.index de los data) en el eje x y el nivel de CO2 (la columna "co2" de los data) en el eje y.
1. Añade la etiqueta "Tiempo" en el eje x.

_{Una vez que haya completado esta tarea, haga clic en el debajo del código para comprobar tu solución.}

Solución

# Loading libraries

import numpy as np

import pandas as pd

import statsmodels.api as sm

import matplotlib.pyplot as plt

# Reading data

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

# Creating Figure and Axes objects with specified sie

fig, ax = plt.subplots(figsize=(12, 6))

# Initialize the plot

ax.plot(data.index, data["co2"])

# Add axis labels

ax.set_xlabel("Time")

ax.set_ylabel("CO2 concentration")

# Adjust the padding between and around subplots, and display the plot

plt.tight_layout()

plt.show()

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 1. Capítulo 5