数据分析-Pandas如何画自相关图

作者：IT小白 | 2024-03-16 14:34:28

踩

数据分析-Pandas如何画自相关图

数据分析和处理中，难免会遇到各种数据，那么数据呈现怎样的规律呢？不管金融数据，风控数据，营销数据等等，莫不如此。如何通过图示展示数据的规律？

数据表，时间序列数据在数据分析建模中很常见，例如天气预报，空气状态监测，股票交易等金融场景。数据分析过程中重新调整，重塑数据表是很重要的技巧，此处选择Titanic数据，以及巴黎、伦敦欧洲城市空气质量监测 $NO_2$ 数据作为样例。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

本文用到的样例数据：

Titanic数据

空气质量监测 $NO_2$ 数据

样例代码：

源代码参考 Pandas如何重塑数据表

源代码参考 python数据分析-数据表读写到pandas

导入关键模块

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.close("all")
1
2
3
4
5

在pandas数据分析中，自相关图是一个快速数据测试，以确定数据点是否随机。如果数据点遵循某种趋势，那么一个或多个自相关将显著非零。

最简autocorrelation图画法

pandas画Auto correlation图方法最简单，只要一句语句搞定。

直接使用 series，autocorrelation_plot函数即可。

随机数据序列

data = pd.Series(np.arange(12,7000,16.3))
autocorrelation_plot(data)

spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)
data = pd.Series(0.2 * np.random.rand(1000) + 0.9 )
autocorrelation_plot(data);

plt.show()
plt.close("all")
1
2
3
4
5
6
7
8
9

图中的虚线显示99%的置信区间，自相关图在所有时间滞后中都非常接近于零。
在这里插入图片描述

线性数据序列

spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)
data = pd.Series(0.2 * np.random.rand(1000) + 0.9 * spacing)

autocorrelation_plot(data);

plt.show()
plt.close("all")
1
2
3
4
5
6
7

在这里插入图片描述

正弦数据序列

spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)
data = pd.Series(0.2 * np.random.rand(1000) + 0.9 * np.sin(spacing))

autocorrelation_plot(data);

plt.show()
plt.close("all")
1
2
3
4
5
6
7

在这里插入图片描述

余弦数据序列

spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)
data = pd.Series(0.2 * np.random.rand(1000) + 0.9 * np.cos(spacing))
autocorrelation_plot(data);

plt.show()
plt.close("all")
1
2
3
4
5
6