Python使用Matplotlib进行时间序列数据可视化的完整指南

Oliver

发布时间：2026-10-13| 6人浏览过

原创

本文详解如何利用Python的Matplotlib库对时间序列数据进行可视化分析。内容涵盖从Tushare获取指数及股票数据，处理日期索引，绘制单序列折线图并自定义样式与细节。此外，还介绍了移动平均通道线的构建方法，以及通过面积图和子图布局实现多时间序列数据的对比展示，帮助读者掌握金融数据探索的核心可视化技巧。

Python时间序列可视化概述

时间序列数据广泛应用于数据科学及量化金融领域，常用于分析价格走势、预测未来行情以及探索价格行为模式。

掌握时间序列数据的可视化技术，有助于更直观地探索数据特征，发现其中潜在的规律与趋势。

本文将结合具体实例，演示如何使用Python中的库进行时间序列可视化。Matplotlib是一个用于生成出版级质量图表的桌面绘图包（2D绘图库），也是Python中最基础的可视化工具。

【工具】Python 3

【数据源】Tushare

【注】本示例侧重于方法讲解，请读者根据实际需求灵活调整。

单个时间序列数据可视化

1. 单个时间序列可视化

首先，我们从tushare.pro接口获取指数日线行情数据，并检查数据类型。


import tushare as ts 
import pandas as pd 
pd.set_option('expand_frame_repr', False) # 显示所有列 
ts.set_token('your token') 
pro = ts.pro_api() 
df = pro.index_daily(ts_code='399300.SZ')[['trade_date', 'close']] 
df.sort_values('trade_date', inplace=True)  
df.reset_index(inplace=True, drop=True) 
print(df.head()) 
 trade_date  close 
0  20050104 982.794 
1  20050105 992.564 
2  20050106 983.174 
3  20050107 983.958 
4  20050110 993.879 
print(df.dtypes) 
trade_date   object 
close     float64 
dtype: object

交易时间列'trade_date' 并非时间类型，且未设置为索引，因此需要先进行转换处理。


df['trade_date'] = pd.to_datetime(df['trade_date']) 
df.set_index('trade_date', inplace=True) 
print(df.head()) 
       close 
trade_date      
2005-01-04 982.794 
2005-01-05 992.564 
2005-01-06 983.174 
2005-01-07 983.958 
2005-01-10 993.879

接下来开始绘图，我们需要导入matplotlib.pyplot【2】，并通过设置set_xlabel()和set_xlabel()分别为x轴和y轴添加标签。


import matplotlib.pyplot as plt 
ax = df.plot(color='') 
ax.set_xlabel('trade_date') 
ax.set_ylabel('399300.SZ close') 
plt.show()

Matplotlib库提供了多种内置图表样式，通过打印plt.style.available可以查看具体有哪些选项，应用时直接调用plt.style.use('fivethirtyeight')即可切换样式。


print(plt.style.available) 
['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test'] 
 plt.style.use('fivethirtyeight') 
ax1 = df.plot() 
ax1.set_title('FiveThirtyEight Style') 
plt.show()

图表细节定制与样式设置

2. 设置图表更多细节

上述代码绘制的是基础折线图，实际上可以在plot()函数中通过设置不同参数来添加更多细节，使图表更美观、清晰。

使用figsize(width, height)设设置图的大小，通过linewidth设置线的宽度，fontsize设置字体大小。随后，调用set_title()方法设置图表标题。


ax = df.plot(color='blue', figsize=(8, 3), linewidth=2, fontsize=6) 
ax.set_title('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8) 
plt.show()

若需查看特定时间段内的折线变化，可直接截取该时间段的数据再绘图，例如df['2018-01-01': '2019-01-01']。


dfdf_subset_1 = df['2018-01-01':'2019-01-01'] 
ax = df_subset_1.plot(color='blue', fontsize=10)

plt.show()

若需突出显示图中的特定日期或观察值，可以调用.axvline()和.axhline()方法添加垂直和水平参考线。


ax = df.plot(color='blue', fontsize=6) 
ax.axvline('2019-01-01', color='red', linestyle='--') 
ax.axhline(3000, color='green', linestyle='--') 
plt.show()

此外，还可以调用axvspan()方法为特定时间段添加阴影标注，其中alpha参数用于设置阴影透明度，0表示完全透明，1表示不透明。


ax = df.plot(color='blue', fontsize=6) 
ax.axvspan('2018-01-01', '2019-01-01', color='red', alpha=0.3) 
ax.axhspan(2000, 3000, color='green', alpha=0.7) 
plt.show()

移动平均线与通道线绘制

3. 移动平均时间序列

有时我们需要观察特定窗口期的移动平均值趋势，可通过调用窗口函数rolling来实现。以下实例展示了以250天为窗口期的移动平均线close，以及与移动标准差的关系构建的上下两个通道线upper和lower。


ma = df.rolling(window=250).mean() 
mstd = df.rolling(window=250).std() 
ma['upper'] = ma['close'] + (mstd['close'] * 2) 
ma['lower'] = ma['close'] - (mstd['close'] * 2) 
ax = ma.plot(linewidth=0.8, fontsize=6) 
ax.set_xlabel('trade_date', fontsize=8) 
ax.set_ylabel('399300.SZ close from 2005-01-04 to 2019-07-04', fontsize=8) 
ax.set_title('Rolling mean and variance of 399300.SZ cloe from 2005-01-04 to 2019-07-04', fontsize=10) 
plt.show()

多时间序列数据对比可视化

4. 多个时间序列可视化

若需可视化多个时间序列数据，可直接调用plot()方法。示例中我们从tushare.pro获取三只股票的日线行情数据进行分析。


# 获取数据 
code_list = ['000001.SZ', '000002.SZ', '600000.SH'] 
data_list = [] 
for code in code_list: 
  print(code) 
  df = pro.daily(ts_code=code, start_date='20180101', end_date='20190101')[['trade_date', 'close']] 
  df.sort_values('trade_date', inplace=True) 
  df.rename(columns={'close': code}, inplace=True) 
  df.set_index('trade_date', inplace=True) 
  data_list.append(df) 
df = pd.concat(data_list, axis=1) 
print(df.head()) 
000001.SZ 
000002.SZ 
600000.SH 
      000001.SZ 000002.SZ 600000.SH 
trade_date                  
20180102    13.70   32.56   12.72 
20180103    13.33   32.33   12.66 
20180104    13.25   33.12   12.66 
20180105    13.30   34.76   12.69 
20180108    12.96   35.99   12.68 
# 画图 
ax = df.plot(linewidth=2, fontsize=12) 
ax.set_xlabel('trade_date') 
ax.legend(fontsize=15) 
plt.show()

调用.plot.area()方法可以生成时间序列数据的面积图，以显示累计的总数。


ax = df.plot.area(fontsize=12) 
ax.set_xlabel('trade_date') 
ax.legend(fontsize=15) 
plt.show()

若要在不同子图中单独显示每一个时间序列，可通过设置参数subplots=True来实现。layout指定要使用的行列数，sharex和sharey用于设置是否共享行和列，colormap='viridis' 为每条线设置不同的颜色。


df.plot(subplots=True, 
     layout=(2, 2), 
     sharex=False, 
     sharey=False, 
     colormap='viridis', 
     fontsize=7, 
     legend=False, 
     linewidth=0.3) 
plt.show()