时间序列分析与热图应用

时间序列分析是一种统计技术，用于分析随时间收集并按顺序排列的数据，例如按小时、日、月或年排列的数据序列。时间序列的应用非常广泛，包括工业过程中的传感器读数、天气数据（如降水量、降雨量、温度）、农业中的作物生长情况以及患者一段时间内的医疗记录等。时间序列分析旨在发现数据中的隐藏模式，如趋势或季节性，并从中分析洞察力。

时间序列中的模式分析

在时间序列中分析的模式包括趋势、季节性、周期性和不规则性。趋势表示数据序列在一段时间内的增加或减少。季节性是指时间序列中数据经历规律且可预测的变化，这些变化每年都会重现。例如，假日季节会影响不同地点的旅游率，零售销售也显示出类似趋势。周期性代表如果重复的模式不是固定时间，则它们是周期性的，如股市价值。不规则性是时间序列中意外的、通常是不可预测的变化，例如洪水、火灾、革命、流行病和罢工等。

机器学习模型被用来生成序列的未来值，即对数月或数年的序列进行预测。因此，时间序列预测是通过理解过去来预测未来的行为。

什么是热图？

热图是一种数据可视化技术，它将第一个感兴趣的变量（如降雨量、温度或传感器数据）的值表示为彩色方格网格，并且每个单元格的颜色表示相应单元格范围内的第一个变量的值。通过观察单元格颜色的变化，可以预测数据中是否存在任何模式。

日历热图

日历热图使用彩色单元格，通常使用单一基础色调，并使用其阴影、色调和色调进行扩展，如从浅到深的蓝色阴影。它以日历视图显示每天的相对事件数量。日历热图将日子按周排列成列，并按月和年份分组。这使能够快速识别每日和每周的模式。

例如，在GitHub平台上，可以看到用户的日常贡献，这是按日采样的热图中时间序列数据的一个常见例子。GitHub的贡献图表示用户在过去几年中所做的贡献数量。颜色瓷砖代表贡献的数量，如下所示的颜色比例。从这个热图中，可以检测到每日模式，如三月和四月的贡献度较高。

Python包：数据可视化

数据可视化是获取数据洞察力的好方法。在检查时间序列数据时，了解数据中的季节性或周期性行为至关重要。使用calplotPython库创建热图。Calplot从Pandas时间序列数据创建热图。

实现

在这个例子中，将使用温度数据作为案例，因为气候是季节性的典型例子。可以预期数据在特定月份的行为会因地点而异。让深入可视化2000年的平均日温度时间序列。

从上面的热图中，可以看到由于夏季的原因，六月至八月的月份比其他月份温度高，而十二月由于是冬季，温度较低。通过使用热图，可以轻松地可视化极端的低温和高温。在二月期间，注意到白色块，因为二月只有28天。

应用calplot将一年中的每个月、工作日分开，并提供清晰的视觉效果。可以通过添加自定义颜色或样式来自定义热图的视觉效果。在这里，可以轻松地将温度与添加的色图梯度相关联，边缘线未启用。

在上面的热图中，添加了标题并将年份文本颜色设置为黑色。还可以在块内显示值，并使用fig size进一步调整图像大小以获得更好的视觉效果。在这里，缺失值用‘-’填充。然而，此数据集中没有缺失数据。

在热图中可视化缺失值

上面的白色块表示缺失值。当在方格中显示相应的值时，每个缺失值都用‘-’替换，如前所述。在calplot中，如果数据包含缺失值，它将默认填充，并用零替换某些值，如果它不能填充缺失值。如果未设置drop zero=False，则用‘-’填充。

可以使用linewidth使分隔月份的线边缘更粗。

calplot中的自定义色图

要制作自定义颜色尺度，制作十六进制颜色列表并将其分配给calplot。通过给出一系列十六进制值，它将自己排列到渐变颜色中。要反转渐变，重新排列十六进制值列表。