Matplotlib：绘制数据，然后绘制时间序列预测

Question

我使用matplotlib显示股票价格随时间的走势。我想关注最近90天，然后预测接下来的14天。我有最近90天的数据和我的预测，但我想用不同的颜色来描绘我的预测，所以很清楚它们是不同的。

我该怎么做？

如果我只是在我的代码中添加第二次plot()调用，则预测将从与我90天的数据相同的点开始并被覆盖，这不是我想要的。

现在我正在这样做：

df[-90:]["price"].plot()
plt.show()

谢谢！

Answer 1

import matplotlib.pyplot as plt
import numpy as np

last90days = np.random.rand(90)
next14days = np.random.rand(14)

plt.plot(np.arange(90), last90days)
plt.plot(np.arange(90, 90+14), next14days)
plt.show()

Answer 2

希望这就是你想要的：

import pandas as pd
import numpy as np; np.random.seed(1)
import matplotlib.pyplot as plt

datelist = pd.date_range(pd.datetime(2018, 1, 1), periods=104)
df = pd.DataFrame(np.cumsum(np.random.randn(104)), 
                  columns=['price'], index=datelist)

plt.plot(df[:90].index, df[:90].values)
plt.plot(df[90:].index, df[90:].values)
# If you don't like the break in the graph, change 90 to 89 in the above line
plt.gcf().autofmt_xdate()
plt.show()

Answer 3

简答：

使用pd.merge（）并在两个不同的系列中充分利用缺失的valus来获得两条不同颜色的线条。关于您正在使用什么类型的数据帧索引（日期，整数和字符串），此建议将非常灵活。这就是你要得到的：

答案很长：

关于......的详细信息。

  

我想关注过去90天，然后预测接下来的14天。

...我将假设您使用的是具有每日索引的数据框。我还假设您知道数据集的索引值为90天，数据集为14天。

这是一个包含104个观测值（随机数据）的数据框：

代码段1：

import pandas as pd
import numpy as np

np.random.seed(12)
rows = 104
df = pd.DataFrame(np.random.randint(-4,5,size=(rows, 1)), columns=['data'])
datelist = pd.date_range(pd.datetime(2018, 1, 1).strftime('%Y-%m-%d'), periods=rows).tolist()
df['dates'] = datelist 
df = df.set_index(['dates'])
df.index = pd.to_datetime(df.index)
df = df.cumsum()
df.plot()

剧情1：

为了复制您的设置，我将数据帧分成两个不同的帧，其中包含90个观察值（价格）和14天（预测值）。这样，你将有两个不同的数据集，但相关的索引将是连续的 - 我假设你是实际情况。

代码段2：

df_90 = df[:90].copy(deep = True)
df_14 = df[-14:].copy(deep = True)
df_90.columns = ['price']
df_14.columns = ['predictions']

df_90.plot()
df_14.plot()

剧情2：

现在您可以将它们合并在一起，这样您就可以获得包含两列数据和预测的数据框。当然，你最终会得到一些缺失的数据，但这正是你在绘制它时会给你两条不同颜色的线。

摘录3：

df_all = pd.merge(df_90, df_14, how = 'outer', left_index=True, right_index=True)
df_all.plot()

剧情3：

我希望建议的解决方案符合您的实际情况。如果有关索引的详细信息将成为一个问题，请告诉我，我也会看一下。

以下是简单复制粘贴的完整代码：

import pandas as pd
import numpy as np

np.random.seed(12)
rows = 104
df = pd.DataFrame(np.random.randint(-4,5,size=(rows, 1)), columns=['data'])
datelist = pd.date_range(pd.datetime(2018, 1, 1).strftime('%Y-%m-%d'), periods=rows).tolist()
df['dates'] = datelist 
df = df.set_index(['dates'])
df.index = pd.to_datetime(df.index)
df = df.cumsum()

df.plot()

df_90 = df[:90].copy(deep = True)
df_14 = df[-14:].copy(deep = True)
df_90.columns = ['price']
df_14.columns = ['predictions']

df_90.plot()
df_14.plot()

df_all = pd.merge(df_90, df_14, how = 'outer', left_index=True, right_index=True)
df_all.plot()