8.DataFrame时间序列处理与可视化

8.1 时间序列处理

8.1.1 dt 函数

1. dt.date 可以生成短日期形式数据
2. 两个 datetime 类型数据相减，可以利用 dt.days 计算日期差

8.1.2 日期转年月周

1. 参考下方示例和代码判断函数作用
2. 日期可以计算年/月/周序号/每周的日序号等
3. 一般在数据分析中很常见把日期转化成周/月/序号来聚合分析

8.1.3 小例子

1. 某个网站某分类每周 7 天的汇总回答人数
2. 可以看到周五是低点，周日，周一是高点，比如举办一些运营活动，不建议在周五举办，用户活跃较差，效果会打折扣

8.1.4 pd.to_datetime()

1. 某个网站某分类每周 7 天的平均回答人数
2. 可以看到周五是低点，周日，周一是高点，比如举办一些运营活动，不建议在周五举办，用户活跃较差，效果会打折扣

8.1.5 df.resample()

1. 关键参数 rule，按照数字 + 单位的规则
2. 必须具有 datetime 类似的索引

8.2 画图

8.2.1 条线图

1. 参数与 Series.plot 比较接近，基本上在 Series 中的参数 df.plot 都有
2. 指定 y = ，是传递要绘制二维图像的纵列
3. kind = line 是默认值，也可以不写

8.2.2 直方图

1. df.plot 参数中，需要指定要绘制的系列，例如 y=
2. 需要指定 kind 参数
3. 其余参数例如调节图像大小等与 Series.plot 相似度比较高，可以参考 Series.plot

8.2.3 饼图

1. 饼图适用于对比某个特征下不同枚举值对应的次数分布，一般是聚合后的数据
2. 例如 df_plot 中三个 index 分别对应统计后的数值
3. 饼图会画出占比的大概情况
4. plot.pie 和 plot 可以实现相同的效果，pandas 画图的函数并非一一对应，还是比较灵活的

8.2.4 箱线图

1. df.boxplot 可以画箱线图
2. 需要指定横轴，通过参数 by，这个列的含义是观察 y 的其中一个视角
3. 指定纵轴，通过参数 column
4. 对比不同 x 的枚举值下 y 的分布情况，往往会得出结论

8.3 剪切板复制数据

pd.read_clipboard(
    sep=' '   # 分隔符 默认是空格 读取最近复制的内容 解析成 DataFrame
)

8.4 画图

8.4.1 时间序列图

1. 与折线图接近
2. 区别在于横轴特定为日期
3. 日期可以解析为周，月，年等信息，又可以看出新的解读
4. 指标排查的分析中常用的就是时间序列图

8.4.2 可视化包学习建议

1. 必须掌握的是 Matplotlib 和 Seaborn 常见图形的画法
2. Pyecharts / Bokeh / Plotly / Altair 是不错的补充，尤其适合 动态图 场景
3. 低频工具包，在遇到特定的可视化问题时可参考使用

⭐ 常用工具包：

1. Matplotlib
2. Seaborn
3. Pyecharts
4. Bokeh
5. Plotly
6. Altair

📉 低频使用工具包：

7. ggplot
8. Pygal
9. VisPy
10. NetworkX
11. HoloViews
12. GeoPlotLib
13. Folium
14. Gleam
15. Vincent
16. mpld3
17. python-igraph
18. missingno
19. Mayavi2
20. Leather