第七章 时间序列可视化课堂练习

Author

kaka

1 案例数据

1.1 all_stock_2024：工商银行、招商应用、中信证券和贵州茅台四个股票2024各天交易数据

  • data为为日期变量，但该日期变量不规则（不连续），周末和公众假期没有交易数据；

  • 编码和名称用于识别不同股票，注意不同股票有交易数据日期不一定一致，但本例种各股票均有242个交易日数据；

  • 开盘价到换手率 均为数值变量，开盘价到成交量与每股资产有关，不同股票间不可比；

  • 交易量的单位为手（百股）、成交额的单位为元，振幅等四个变量均为相对指标。

2 折线图和面积图

2.1 合并折线图

  • 将四只股票的涨跌幅 做作折线图，将四条折线在同一个图形输出；

  • 日期截取2024-9-1到2024-10-31 ；

  • 添加一条纵轴为0的参考线，采用twodash 的线型；

  • 将图标题改为“合并涨跌幅折线图”。

2.2 分面折线图

  • 将四只股票的收盘 价格做作折线图，将四条折线图分面输出；

  • 日期截取一整年；

  • 并使用ggpol::geom_tshighlight 将2024-9-1到2024-10-31 时间段高亮显示

mapping: xmin = ~as.Date("01/09/2024", format = "%d/%m/%Y"), xmax = ~as.Date("31/10/2024", format = "%d/%m/%Y") 
geom_rect: na.rm = FALSE
stat_identity: na.rm = FALSE
position_identity

2.3 面积图

  • 将四只股票的收盘 价格做作面积图，将四个面积图分面输出；

  • 将成交量的单位改为万手

2.4 图形观察和代码编写的心得体会

  • 合并折线图

    2.4.1 图形观察：

    1. 数据展示：折线图展示了四只股票（工商银行、贵州茅台、招商银行、中信证券）在9月1日至11月1日期间的涨跌幅变化趋势。

    2. 涨跌幅范围：纵轴范围为-5%到10%，说明股票的波动幅度较大，贵州茅台和招商银行的波动尤为明显。

    3. 趋势特征：

      • 贵州茅台和招商银行的涨跌幅波动剧烈，可能存在短期市场情绪或事件驱动的影响。

      • 工商银行和中信证券的走势相对平缓，体现出蓝筹股或金融股的稳定性。

    4. 关键时间点：10月15日前后，部分股票出现显著涨跌（如贵州茅台可能触底反弹），需结合当时市场新闻分析原因。

      2.4.2 代码编写心得体会（假设使用Python的Matplotlib）：

      1. 数据准备：

        • 确保日期列转换为datetime格式，方便横轴显示。

        • 使用pandas读取数据，并按日期排序。

      2. 可视化技巧：

        • 通过plt.plot()绘制多条折线，并设置不同颜色和标签区分股票。

        • 添加图例（plt.legend()）和标题，提高可读性。

        • 调整横轴日期显示密度，避免重叠（如plt.xticks(rotation=45)）。

      3. 优化建议：

        • 若数据点密集，可添加标记点（marker='o'）突出关键日期。

        • 使用seaborn库可进一步美化样式（如网格线、背景色）。

  • 分面折线图

    2.4.3 图形观察

    1. 趋势识别：通过观察图形，可以快速识别数据的趋势，如上升、下降或周期性波动。例如，从你提供的图表中，可以观察到不同股票或指数在一年中的表现趋势。

    2. 异常值检测：图形可以帮助识别数据中的异常值或异常波动，这对于进一步分析和决策至关重要。

    3. 比较分析：通过将多个图形并排放置，可以直观地比较不同数据集之间的差异和相似性。

    4. 数据分布：图形可以展示数据的分布情况，如集中趋势、离散程度等，这对于理解数据的整体特征非常有帮助。

    5. 直观理解：图形提供了一种直观的方式来理解复杂的数据关系，使得非专业人士也能够快速把握数据的要点。

    2.4.4 代码编写

    1. 精确控制：通过编写代码，可以精确控制图形的各个方面，包括颜色、标签、图例等，从而制作出符合特定需求的图形。

    2. 自动化处理：代码可以自动化处理大量数据，生成图形，这对于处理大数据集尤其有用。

    3. 可重复性：代码的可重复性意味着你可以轻松地重新生成图形，这对于验证结果和分享分析过程非常重要。

    4. 灵活性：代码允许你灵活地调整分析方法和图形类型，以适应不同的数据和分析需求。

    5. 学习曲线：编写代码可能需要一定的学习曲线，但一旦掌握，它将极大地提高你的数据分析能力。

  • 面积图

    2.4.5 图形观察

    1. 数据趋势：图形可以直观地展示数据随时间的变化趋势。例如，从你提供的图表中，我们可以观察到工商银行、贵州茅台、招商银行和中信证券的成交量随时间的变化。

    2. 异常检测：图形可以帮助我们快速识别数据中的异常点或异常波动，这对于发现潜在的问题或机会至关重要。

    3. 模式识别：通过图形，我们可以识别数据中的模式，如周期性波动、季节性变化等。

    4. 比较分析：将多个图形并排放置，可以直观地比较不同数据集之间的差异和相似性，这有助于我们理解不同变量之间的关系。

    5. 数据分布：图形可以展示数据的分布情况，如集中趋势、离散程度等，这对于理解数据的整体特征非常有帮助。

    2.4.6 代码编写

    1. 精确控制：通过编写代码，可以精确控制图形的各个方面，包括颜色、标签、图例等，从而制作出符合特定需求的图形。

    2. 自动化处理：代码可以自动化处理大量数据，生成图形，这对于处理大数据集尤其有用。

    3. 可重复性：代码的可重复性意味着你可以轻松地重新生成图形，这对于验证结果和分享分析过程非常重要。

    4. 灵活性：代码允许你灵活地调整分析方法和图形类型，以适应不同的数据和分析需求。

    5. 学习曲线：编写代码可能需要一定的学习曲线，但一旦掌握，它将极大地提高你的数据分析能力。

3 流线图和地平线图

3.1 流线图

  • 将四只股票的交易额 做作流线图，将四个面积图分面输出；

  • 将交易额的单位改为亿元

3.2 地平线图

  • 采用ggHoriPlot::geom_horizon函数，对四只股票的交易额 做作地平线图
  • 设置原点为均值origin='mean'，输出配色图例

3.3 图形观察和代码编写的心得体会

  • 流线图

    3.3.1 图形观察：

    1. 数据展示：流线图展示了四家上市公司（工商银行、招商银行、贵州茅台、中信证券）在2024年1月至2025年1月期间的成交额变化趋势。

    2. 时间跨度：横轴覆盖了2024年1月、4月、7月、10月和2025年1月五个关键时间节点，纵轴为成交额（亿元）。

    3. 趋势特征：

      • 贵州茅台：成交额波动可能较大，尤其在2024年7月至10月期间可能出现峰值，反映其高关注度或市场事件影响。

      • 银行与券商股（工商银行、招商银行、中信证券）：成交额相对平稳，但招商银行可能在2024年4月或2025年1月有显著变化，需结合金融政策分析。

    4. 异常点：若某个月份出现成交额骤升或骤降（如2024年10月），需检查是否为财报发布、政策调整或市场情绪波动所致。

    3.3.2 代码编写心得体会（假设使用Python的Matplotlib或Seaborn）：

    1. 数据准备：

      • 确保日期列转换为datetime格式，并按时间排序。

      • 若数据为长格式（每行包含日期、公司名称、成交额），使用pivot或groupby整理为宽格式（公司为列，日期为索引）。

    2. 可视化技巧：

      • 流线图绘制：使用plt.plot()或seaborn.lineplot()，设置不同颜色和线型区分公司。

      • 标签优化：旋转横轴日期标签（plt.xticks(rotation=45)），避免重叠。

      • 辅助元素：添加标题、轴标签、图例和网格线，提升可读性。

    3. 交互性扩展（可选）：

      • 使用plotly库生成动态图表，支持悬停查看具体数值。

  • 地平线图

    3.3.3 图形观察

    1. 直观理解：图形提供了一种直观的方式来理解数据。通过观察图表，我们可以快速把握数据的分布、趋势和异常。

    2. 模式识别：图形可以帮助我们识别数据中的模式，比如周期性波动、季节性变化等。

    3. 比较分析：通过并排或叠加不同的图形，我们可以比较不同数据集或不同时间段的数据变化。

    4. 异常检测：图形可以揭示数据中的异常点，这些异常可能是由于错误、特殊情况或重要事件引起的。

    5. 故事讲述：好的图形可以像故事一样，引导观众理解数据背后的含义。

    3.3.4 代码编写

    1. 精确控制：通过代码，我们可以精确控制图形的每一个细节，包括颜色、标签、图例等，以确保图形准确传达我们的分析结果。

    2. 自动化：代码可以自动化重复性的任务，比如数据清洗、图形生成等，这大大提高了工作效率。

    3. 可重复性：代码的可重复性确保了分析过程的一致性，这对于科学验证和结果的可靠性至关重要。

    4. 灵活性：代码允许我们灵活地调整分析方法，尝试不同的图形类型和参数，以找到最佳的可视化方式。

    5. 学习曲线：虽然编写代码可能需要一定的学习曲线，但掌握后可以极大地扩展我们的分析能力。

4 不规则时间序列图

4.1 数据准备

  • 通过zoo::rollmean 时间收盘价的5天、10天和20天的移动平均

  • 将日期变量转化为id变量

4.2 平滑曲线图

  • 将四只股票收盘价和3种移动平均的折线图分面输出；

  • 横轴的每隔30天一个刻度，只显示月/日；

4.3 K线图

  • 选择工商银行数据作出，2024年的K线图

  • scale_x_continuous 将横轴坐标刻度转化回日期型

4.4 图形观察和代码编写的心得体会

  • 平滑曲线图

    4.4.1 图形观察

    1. 趋势识别：图形可以直观地展示数据随时间的变化趋势，帮助我们快速识别上升、下降或波动的趋势。

    2. 模式识别：通过图形，我们可以识别数据中的模式，如周期性波动、季节性变化等，这对于理解数据的内在规律非常有帮助。

    3. 异常检测：图形可以帮助我们快速识别数据中的异常点或异常波动，这对于发现潜在的问题或机会至关重要。

    4. 比较分析：通过将多个图形并排放置，可以直观地比较不同数据集之间的差异和相似性，这有助于我们理解不同变量之间的关系。

    5. 数据分布：图形可以展示数据的分布情况，如集中趋势、离散程度等，这对于理解数据的整体特征非常有帮助。

    4.4.2 代码编写

    1. 精确控制：通过编写代码，可以精确控制图形的各个方面，包括颜色、标签、图例等，从而制作出符合特定需求的图形。

    2. 自动化处理：代码可以自动化处理大量数据，生成图形，这对于处理大数据集尤其有用。

    3. 可重复性：代码的可重复性意味着你可以轻松地重新生成图形，这对于验证结果和分享分析过程非常重要。

    4. 灵活性：代码允许你灵活地调整分析方法和图形类型，以适应不同的数据和分析需求。

    5. 学习曲线：编写代码可能需要一定的学习曲线，但一旦掌握，它将极大地提高你的数据分析能力。

  • k线图

    4.4.3 图形观察

    1. 直观性：图形提供了数据的直观表示，使得非专业人士也能快速理解数据的基本趋势和模式。

    2. 模式识别：通过图形可以更容易地识别数据中的模式，如趋势、周期性、季节性变化等。

    3. 异常检测：图形可以帮助快速发现数据中的异常值或异常波动，这对于识别错误或重要事件至关重要。

    4. 决策支持：图形可以作为决策支持工具，帮助分析人员和决策者理解数据背后的故事。

    5. 沟通工具：图形是向他人传达分析结果的有效方式，尤其是在需要快速传达信息的场合。

    4.4.4 代码编写

    1. 精确控制：通过代码，可以精确控制图形的生成过程，包括数据筛选、处理和可视化的每一个细节。

    2. 自动化：代码可以自动化重复性任务，如数据清洗、分析和图形生成，提高工作效率。

    3. 可重复性：代码的可重复性确保了分析过程的一致性，这对于科学验证和结果的可靠性至关重要。

    4. 灵活性：代码允许灵活地调整分析方法和图形类型，以适应不同的数据和分析需求。

    5. 学习曲线：虽然编写代码可能需要一定的学习曲线，但掌握后可以极大地扩展分析能力，处理更复杂的数据分析任务。