Visualización de datos de series temporales con Python

Una introducción a la exploración y visualización de datos de series temporales con Python.

Introducción

Los datos representados en un único punto en el tiempo se conocen como datos transversales. Como científico o analista de datos, a veces puede encontrarse con datos recopilados durante períodos de tiempo, conocidos como datos de series temporales .

Los datos de series temporales aparecen en el mundo real con bastante frecuencia. Por ejemplo, las lecturas meteorológicas, los precios de las acciones de las empresas y los datos de ventas son ejemplos de datos que se pueden rastrear a lo largo del tiempo. Por lo tanto, es importante que pueda explorar y visualizar datos con un componente de tiempo.

En este artículo, aprenderá cómo explorar datos de series temporales con Python usando lo siguiente:

• Gráficos de líneas
• Diagramas de caja
• Mapas de calor
• Gráficos de retraso
• Gráficos de autocorrelación

Trama lineal

Un gráfico de líneas se utiliza comúnmente para visualizar datos de series de tiempo. En un gráfico de líneas, el tiempo suele estar en el eje x y los valores de observación están en el eje y. Mostremos un ejemplo de este gráfico utilizando un archivo CSV de datos de ventas de una pequeña empresa durante un período de cinco años.

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

# load in data
sales_data = pd.read_csv("sales_data.csv")

# peek at first few rows of data
sales_data.head()

Aquí están las primeras filas de los datos de ventas:

fecha	ventas
2016-01-01	2000,0 1
2016-01-02	1700,0 2
2016-01-03	1800,0 3
2016-01-04	1400,0 4
2016-01-05	1500.0

Creemos un gráfico lineal de los datos, con la fecha en el eje x y las ventas en el eje y:

# convert string to datetime64
sales_data["date"] = sales_data["date"].apply(pd.to_datetime)
sales_data.set_index("date", inplace=True)

# create line plot of sales data
plt.plot(sales_data["date"], sales_data["sales"])
plt.xlabel("Date")
plt.ylabel("Sales (USD)")
plt.show()

Observe cómo podemos ver la tendencia de los datos a lo largo del tiempo. Mirando el gráfico, parece que:

• Las ventas son estacionales, alcanzan su punto máximo al principio y al final de cada año y disminuyen a mediados de cada año.
• Las ventas no parecen mostrar signos de crecimiento con el tiempo. Este parece ser un negocio estancado.

Diagrama de caja

Cuando se trabaja con datos de series temporales, los diagramas de caja pueden resultar útiles para ver la distribución de valores agrupados por intervalo de tiempo.

Por ejemplo, creemos un diagrama de caja para cada año de ventas y colóquelos de lado a lado para compararlos:

# extract year from date column
sales_data["year"] = sales_data["date"].dt.year

# box plot grouped by year
sns.boxplot(data=sales_data, x="year", y="sales")
plt.show()

Para cada año de los datos de ventas, podemos ver fácilmente información útil, como la mediana de las ventas, las ventas más altas y más bajas, el rango intercuartílico de nuestros datos y cualquier valor atípico.

Las ventas medianas de cada año (representadas por la línea horizontal en cada cuadro) son bastante estables, lo que sugiere que las ventas no crecen con el tiempo.

Mapa de calor

También podemos utilizar un mapa de calor para comparar observaciones entre intervalos de tiempo en datos de series de tiempo.

Por ejemplo, creemos un mapa de calor de densidad con el año en el eje y y el mes en el eje x. Esto se puede hacer invocando la función heatmap() de Seaborn:

# calculate total sales for each month
sales = sales_data.groupby(["year", "month"]).sum()

# re-format the data for the heat-map
sales_month_year = sales.reset_index().pivot(index="year", columns="month", values="sales")

# create heatmap
sns.heatmap(sales_month_year, cbar_kws={"label": "Total Sales"})
plt.title("Sales Over Time")
plt.xlabel("Month")
plt.ylabel("Year")
plt.show()

Recuerde que en un mapa de calor, a medida que el color se vuelve más brillante y pasa del violeta oscuro al amarillo, las ventas totales en la celda correspondiente son mayores.

Aquí vemos una vez más que las ventas son bastante consistentes año tras año y también muestran estacionalidad.

Diagrama de dispersión retrasado

Podemos utilizar un diagrama de dispersión de retardo para explorar la relación entre una observación y el retardo de esa observación.

En una serie de tiempo, un desfase es una observación previa:

• La observación en un paso de tiempo anterior (el intervalo de tiempo más pequeño para el cual tenemos mediciones distintas) se llama retraso 1.
• La observación hace dos momentos se llama retardo 2, etc.

En el conjunto de datos de ventas, tenemos un valor de ventas diferente para cada día. Por lo tanto, el valor del retraso 1 para cualquier día en particular es igual a las ventas del día anterior. El valor del retraso 2 son las ventas de hace dos días, etc.

El módulo plotting de la biblioteca pandas tiene una función incorporada lag_plot que traza la observación en el tiempo t en el eje x y la observación de retraso 1 (t+1) en el eje y:

# import lag_plot function
from pandas.plotting import lag_plot

# lag scatter plot
lag_plot(sales_data)
plt.show()

¿Cómo podemos interpretar un diagrama de dispersión retrasado?

• Si los puntos se mueven desde la parte inferior izquierda hasta la parte superior derecha, esto indica una correlación positiva entre las observaciones y sus valores de retraso 1. Por ejemplo, las altas ventas de un día se asocian con las altas ventas del día anterior.
• Si los puntos se mueven desde la parte superior izquierda a la parte inferior derecha, esto indica una correlación negativa entre las observaciones y sus valores de retraso 1. Por ejemplo, las ventas elevadas en un día se asocian con ventas bajas el día anterior y viceversa.
• Si no hay una estructura identificable en el gráfico de retraso, esto indica que los datos son aleatorios y no hay asociación entre valores en puntos de tiempo consecutivos. Por ejemplo, las ventas de un día no proporcionan información sobre las ventas esperadas del día siguiente.

Explorar la relación entre una observación y un retraso de esa observación es útil para ayudarnos a determinar si un conjunto de datos es aleatorio.

Dado que los puntos en los datos de ventas se mueven a lo largo de una línea diagonal desde la parte inferior izquierda hasta la parte superior derecha, esto indica que nuestros datos no son aleatorios y existe una correlación positiva entre las observaciones y sus valores de retraso 1.

Gráfico de autocorrelación

Se utiliza un gráfico de autocorrelación para mostrar si los elementos de una serie temporal están correlacionados positivamente, negativamente o son independientes entre sí.

Esto se puede trazar con lafunción autocorrelation_plot() del módulo pandas.plotting:

# import autocorrelation function
from pandas.plotting import autocorrelation_plot

# autocorrelation plot
autocorrelation_plot(sales_data)
plt.show()

En el gráfico de autocorrelación anterior, el retraso está en el eje x y el valor de la autocorrelación, que oscila entre -1 y 1, está en el eje y. Un valor cercano a 0 indica una correlación débil, mientras que los valores más cercanos a -1 y 1 indican una correlación fuerte.

Observe cómo el gráfico de autocorrelación de los datos de ventas forma ondas que oscilan entre una fuerte correlación negativa y positiva. Estas ondas sugieren que nuestro conjunto de datos muestra estacionalidad.

Observe también cómo la autocorrelación disminuye con el tiempo. Esto indica que las ventas tienden a ser similares en días consecutivos, pero las ventas de hace tres años están menos asociadas con las ventas de hoy que las ventas de hace un año.

Resumen:

En este artículo, recibió una breve introducción a la exploración y visualización de datos de series temporales utilizando:

• Gráficos de líneas
• Diagramas de caja
• Mapas de calor
• Gráficos de retraso
• Gráficos de autocorrelación

Como científico o analista de datos, a menudo trabajará con datos que cambian con el tiempo. En el futuro, ahora estará mejor equipado para explorar y visualizar datos con un componente de tiempo.