假设我使用以下方法创建一个完全随机的“Dataframe”：
from pandas.util import testing from random import randrange def random_date(start, end): delta = end - start int_delta = (delta.days * 24 * 60 * 60) + delta.seconds random_second = randrange(int_delta) return start + timedelta(seconds=random_second) def rand_dataframe(): df = testing.makeDataFrame() df['date'] = [random_date(datetime.date(2014,3,18),datetime.date(2014,4,1)) for x in xrange(df.shape[0])] df.sort(columns=['date'], inplace=True) return df df = rand_dataframe()
这将导致数据帧显示在这篇文章的底部。我想 使用 时间序列 “seaborn”中的可视化功能使我得到了以下线索
我如何解决这个问题？从我读到的 笔记本](http://www.stanford.edu/~mwaskom/software/seaborn/timeseries_plots.html), 电话应该是：
sns.tsplot(df, time="time", unit="unit", condition="condition", value="value")
但这似乎需要用不同的 以某种方式编码“time”、“unit”、“condition”和 `值，这不是我的情况。如何转换数据帧（如下所示） 变成这种格式？ 这是我的数据帧：
date A B C D 2014-03-18 1.223777 0.356887 1.201624 1.968612 2014-03-18 0.160730 1.888415 0.306334 0.203939 2014-03-18 -0.203101 -0.161298 2.426540 0.056791 2014-03-18 -1.350102 0.990093 0.495406 0.036215 2014-03-18 -1.862960 2.673009 -0.545336 -0.925385 2014-03-19 0.238281 0.468102 -0.150869 0.955069 2014-03-20 1.575317 0.811892 0.198165 1.117805 2014-03-20 0.822698 -0.398840 -1.277511 0.811691 2014-03-20 2.143201 -0.827853 -0.989221 1.088297 2014-03-20 0.299331 1.144311 -0.387854 0.209612 2014-03-20 1.284111 -0.470287 -0.172949 -0.792020 2014-03-22 1.031994 1.059394 0.037627 0.101246 2014-03-22 0.889149 0.724618 0.459405 1.023127 2014-03-23 -1.136320 -0.396265 -1.833737 1.478656 2014-03-23 -0.740400 -0.644395 -1.221330 0.321805 2014-03-23 -0.443021 -0.172013 0.020392 -2.368532 2014-03-23 1.063545 0.039607 1.673722 1.707222 2014-03-24 0.865192 -0.036810 -1.162648 0.947431 2014-03-24 -1.671451 0.979238 -0.701093 -1.204192 2014-03-26 -1.903534 -1.550349 0.267547 -0.585541 2014-03-27 2.515671 -0.271228 -1.993744 -0.671797 2014-03-27 1.728133 -0.423410 -0.620908 1.430503 2014-03-28 -1.446037 -0.229452 -0.996486 0.120554 2014-03-28 -0.664443 -0.665207 0.512771 0.066071 2014-03-29 -1.093379 -0.936449 -0.930999 0.389743 2014-03-29 1.205712 -0.356070 -0.595944 0.702238 2014-03-29 -1.069506 0.358093 1.217409 -2.286798 2014-03-29 2.441311 1.391739 -0.838139 0.226026 2014-03-31 1.471447 -0.987615 0.201999 1.228070 2014-03-31 -0.050524 0.539846 0.133359 -0.833252
最后，我要找的是一个重叠的图（每列一个），其中每一个都如下所示（注意CI的不同值不同的alphas值）
我不认为’tsplot’能处理你的数据。这个它对输入数据所做的假设是，你已经采样了相同的数据 每个时间点的单位（尽管有些时间点可能会丢失）单位）。例如，假设你每天测量同一个人的血压 一个月，然后你想用条件（其中“条件”变量可能是他们的饮食）。tsplot可以做到这一点，用一个看起来像sns.tsplot图（df，time=“day”，unit=“person”，condition=“diet”， value=“血压”）`这种情况不同于在不同的 每天从每组中随机抽取一部分并测量血压。从你给出的例子来看，你的数据似乎是 像这样的结构。然而，要想把matplotlib和熊猫结合起来并不难我想你想干什么就干什么：
tsplot可以做到这一点，用一个看起来像
# Read in the data from the stackoverflow question df = pd.read_clipboard().iloc[1:] # Convert it to "long-form" or "tidy" representation df = pd.melt(df, id_vars=["date"], var_name="condition") # Plot the average value by condition and date ax = df.groupby(["condition", "date"]).mean().unstack("condition").plot() # Get a reference to the x-points corresponding to the dates and the the colors x = np.arange(len(df.date.unique())) palette = sns.color_palette() # Calculate the 25th and 75th percentiles of the data # and plot a translucent band between them for cond, cond_df in df.groupby("condition"): low = cond_df.groupby("date").value.apply(np.percentile, 25) high = cond_df.groupby("date").value.apply(np.percentile, 75) ax.fill_between(x, low, high, alpha=.2, color=palette.pop(0))
