Tracer des données de séries chronologiques dans Seaborn

1. Utilisez la fonction seaborn.lineplot() pour tracer des données de séries chronologiques dans Seaborn
2. Utilisez la fonction seaborn.tsplot() pour tracer des données de séries chronologiques dans Seaborn
3. Utilisez la fonction seaborn.barplot() pour tracer des données de séries chronologiques dans Seaborn

Les données de séries chronologiques sont un type spécial de données où nous observons un ensemble d’observations au fil du temps. L’horodatage de chaque observation est enregistré. Ce type de données est généralement traité lorsque nous parlons de cours des actions, de données de capteurs, de données surveillées par les applications, etc.

Dans ce tutoriel, nous allons apprendre à tracer de telles données de séries temporelles en Python à l’aide du module Seaborn.

Nous allons créer nos propres échantillons de données de séries chronologiques pour le traçage.

Utilisez la fonction seaborn.lineplot() pour tracer des données de séries chronologiques dans Seaborn

Un tracé linéaire est l’un des tracés les plus élémentaires de ce module. Il est généralement utilisé pour garder une trace de quelque chose par rapport au temps ; c’est pourquoi il est très utilisé avec les données de séries chronologiques.

Dans le code suivant, nous traçons des données de séries chronologiques à l’aide de la fonction seaborn.lineplot().

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.DataFrame(
    {
        "Date": [
            "01/01/2019",
            "01/02/2019",
            "01/03/2019",
            "01/04/2019",
            "01/05/2019",
            "01/06/2019",
            "01/07/2019",
            "01/08/2019",
        ],
        "Price": [77, 76, 68, 70, 78, 79, 74, 75],
    }
)
plt.figure(figsize=(15, 8))
sns.lineplot(x="Date", y="Price", data=df)

Notez que nous avons dû traiter le DataFrame avant de l’utiliser avec la fonction. Nous devions nous assurer que la colonne Date était au format datetime, ce qui se fait à l’aide de la fonction pd.to_datetime().

La commande plt.figure() permet de modifier la taille de la figure finale.

Utilisez la fonction seaborn.tsplot() pour tracer des données de séries chronologiques dans Seaborn

Le seaborn.tsplot() est un ajout relativement récent aux versions récentes du module. Il est utilisé lorsque nous avons l’horodatage des données disponibles. Il est utilisé pour tracer une ou plusieurs données de séries chronologiques. Les données peuvent se présenter sous la forme d’un long DataFrame ou d’un tableau N-Dimensional avec des dimensions en unités et en temps.

Le code suivant montre comment utiliser cette fonction.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.DataFrame(
    {
        "Date": [
            "01012019",
            "01022019",
            "01032019",
            "01042019",
            "01052019",
            "01062019",
            "01072019",
            "01082019",
        ],
        "Price": [77, 76, 68, 70, 78, 79, 74, 75],
    }
)
df["Date"] = pd.to_datetime(df["Date"], format="%d%m%Y")

plt.figure(figsize=(15, 8))
sns.tsplot(data=df["Price"], time=df["Date"])

Utilisez la fonction seaborn.barplot() pour tracer des données de séries chronologiques dans Seaborn

Un graphique à barres est utilisé pour représenter les valeurs observées dans des barres rectangulaires. Le module seaborn en Python utilise la fonction seaborn.barplot() pour créer des graphiques à barres.

Un graphique à barres peut être utilisé pour afficher des données de séries chronologiques continues.

Par example,

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.DataFrame(
    {
        "Date": [
            "01012019",
            "01022019",
            "01032019",
            "01042019",
            "01052019",
            "01062019",
            "01072019",
            "01082019",
        ],
        "Price": [77, 76, 68, 70, 78, 79, 74, 75],
    }
)
df["Date"] = pd.to_datetime(df["Date"], format="%d%m%Y")

plt.figure(figsize=(15, 8))
sns.barplot(x="Date", y="Price", data=df)

Les deux méthodes précédentes ont tracé les données à l’aide de lignes, ce qui offre une visualisation alternative pour les données de séries chronologiques.