时间序列数据在数据科学领域无处不在，简洁间序在量化金融领域也十分常见，时视化实现可以用于分析价格趋势，简洁间序预测价格，时视化实现探索价格行为等。简洁间序
学会对时间序列数据进行可视化，时视化实现能够帮助我们更加直观地探索时间序列数据，简洁间序寻找其潜在的时视化实现规律。
本文会利用Python中的简洁间序matplotlib【1】库，并配合实例进行讲解。时视化实现matplotlib库是简洁间序一个用于创建出版质量图表的桌面绘图包（2D绘图库），是时视化实现Python中最基本的可视化工具。
【工具】Python 3
【数据】Tushare
【注】示例注重的简洁间序是方法的讲解，请大家灵活掌握。时视化实现
1.单个时间序列
首先，简洁间序我们从tushare.pro获取指数日线行情数据，并查看数据类型。
import tushare as ts import pandas as pd pd.set_option(expand_frame_repr, False) # 显示所有列 ts.set_token(your token) pro = ts.pro_api() df = pro.index_daily(ts_code=399300.SZ)[[trade_date, close]] df.sort_values(trade_date, inplace=True) df.reset_index(inplace=True, drop=True) print(df.head()) trade_date close 0 20050104 982.794 1 20050105 992.564 2 20050106 983.174 3 20050107 983.958 4 20050110 993.879 print(df.dtypes) trade_date object close float64 dtype: object 交易时间列trade_date 不是时间类型，而且也不是索引，需要先进行转化。
df[trade_date] = pd.to_datetime(df[trade_date]) df.set_index(trade_date, inplace=True) print(df.head()) close trade_date 2005-01-04 982.794 2005-01-05 992.564 2005-01-06 983.174 2005-01-07 983.958 2005-01-10 993.879 接下来，就可以开始画图了，我们需要导入matplotlib.pyplot【2】，云南idc服务商然后通过设置set_xlabel()和set_xlabel()为x轴和y轴添加标签。
import matplotlib.pyplot as plt ax = df.plot(color=) ax.set_xlabel(trade_date) ax.set_ylabel(399300.SZ close) plt.show() 
matplotlib库中有很多内置图表样式可以选择，通过打印plt.style.available查看具体都有哪些选项，应用的时候直接调用plt.style.use(fivethirtyeight)即可。
print(plt.style.available) [bmh, classic, dark_background, fast, fivethirtyeight, ggplot, grayscale, seaborn-bright, seaborn-colorblind, seaborn-dark-palette, seaborn-dark, seaborn-darkgrid, seaborn-deep, seaborn-muted, seaborn-notebook, seaborn-paper, seaborn-pastel, seaborn-poster, seaborn-talk, seaborn-ticks, seaborn-white, seaborn-whitegrid, seaborn, Solarize_Light2, tableau-colorblind10, _classic_test] plt.style.use(fivethirtyeight) ax1 = df.plot() ax1.set_title(FiveThirtyEight Style) plt.show() 
2.设置更多细节
上面画出的是一个很简单的折线图，其实可以在plot()里面通过设置不同参数的值，为图添加更多细节，使其更美观、清晰。
figsize(width, height)设置图的大小，linewidth设置线的宽度，fontsize设置字体大小。然后，调用set_title()方法设置标题。
ax = df.plot(color=blue, figsize=(8, 3), linewidth=2, fontsize=6) ax.set_title(399300.SZ close from 2005-01-04 to 2019-07-04, fontsize=8) plt.show() 
如果想要看某一个子时间段内的折线变化情况，可以直接截取该时间段再作图即可，如df[2018-01-01: 2019-01-01]
dfdf_subset_1 = df[2018-01-01:2019-01-01] ax = df_subset_1.plot(color=blue, fontsize=10) plt.show() 
如果想要突出图中的某一日期或者观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。
ax = df.plot(color=blue, fontsize=6) ax.axvline(2019-01-01, color=red, linestyle=--) ax.axhline(3000, color=green, linestyle=--) plt.show() 
也可以调用axvspan()的方法为一段时间添加阴影标注，其中alpha参数设置的是阴影的透明度，源码库0代表完全透明，1代表全色。
ax = df.plot(color=blue, fontsize=6) ax.axvspan(2018-01-01, 2019-01-01, color=red, alpha=0.3) ax.axhspan(2000, 3000, color=green, alpha=0.7) plt.show() 
3.移动平均时间序列
有时候，我们想要观察某个窗口期的移动平均值的变化趋势，可以通过调用窗口函数rolling来实现。下面实例中显示的是，以250天为窗口期的移动平均线close，以及与移动标准差的关系构建的上下两个通道线upper和lower。
ma = df.rolling(window=250).mean() mstd = df.rolling(window=250).std() ma[upper] = ma[close] + (mstd[close] * 2) ma[lower] = ma[close] - (mstd[close] * 2) ax = ma.plot(linewidth=0.8, fontsize=6) ax.set_xlabel(trade_date, fontsize=8) ax.set_ylabel(399300.SZ close from 2005-01-04 to 2019-07-04, fontsize=8) ax.set_title(Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04, fontsize=10) plt.show() 
4.多个时间序列
如果想要可视化多个时间序列数据，同样可以直接调用plot()方法。示例中我们从tushare.pro上面选取三只股票的日线行情数据进行分析。
# 获取数据 code_list = [000001.SZ, 000002.SZ, 600000.SH] data_list = [] for code in code_list: print(code) df = pro.daily(ts_code=code, start_date=20180101, end_date=20190101)[[trade_date, close]] df.sort_values(trade_date, inplace=True) df.rename(columns={ close: code}, inplace=True) df.set_index(trade_date, inplace=True) data_list.append(df) df = pd.concat(data_list, axis=1) print(df.head()) 000001.SZ 000002.SZ 600000.SH 000001.SZ 000002.SZ 600000.SH trade_date 20180102 13.70 32.56 12.72 20180103 13.33 32.33 12.66 20180104 13.25 33.12 12.66 20180105 13.30 34.76 12.69 20180108 12.96 35.99 12.68 # 画图 ax = df.plot(linewidth=2, fontsize=12) ax.set_xlabel(trade_date) ax.legend(fontsize=15) plt.show() 
调用.plot.area()方法可以生成时间序列数据的面积图，显示累计的总数。
ax = df.plot.area(fontsize=12) ax.set_xlabel(trade_date) ax.legend(fontsize=15) plt.show() 
如果想要在不同子图中单独显示每一个时间序列，可以通过设置参数subplots=True来实现。layout指定要使用的行列数，sharex和sharey用于设置是否共享行和列，colormap=viridis 为每条线设置不同的颜色。
df.plot(subplots=True, layout=(2, 2), sharex=False, sharey=False, colormap=viridis, fontsize=7, legend=False, linewidth=0.3) plt.show() 
5.总结
本文主要介绍了如何利用Python中的matplotlib库对时间序列数据进行一些简单的香港云服务器可视化操作，包括可视化单个时间序列并设置图中的细节，可视化移动平均时间序列和多个时间序列。