時系列データのプロット（Python, matplotlib, seaborn を使用）（Google Colaboratroy へのリンク有り）

1. 前準備

Python の準備（Windows，Ubuntu 上）

• Windows での Python 3.10，関連パッケージ，Python 開発環境のインストール: 別ページ »で説明している．
• Ubuntu では，システム Pythonを使うことができる．Python3 開発用ファイル，pip, setuptools のインストール: 別ページ »で説明している．

【サイト内の関連ページ】

• Python のまとめ: 別ページ »にまとめ
• Google Colaboratory の使い方など: 別ページ »で説明している．

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

Python の numpy，pandas，seaborn，matplotlib，pandasql，scikit-learn のインストール

• Windows の場合

  Windows では，コマンドプロン プトを管理者として実行し， 次のコマンドを実行する．

  python -m pip install -U numpy pandas seaborn matplotlib scikit-learn scikit-learn-intelex
  

• Ubuntu の場合

  端末で，次のコマンドを実行

  sudo apt -y update
  sudo apt -y install python3-numpy python3-pandas python3-seaborn python3-matplotlib python3-sklearn
  

2. FordA データセットの準備

1. パッケージのインポート

   import numpy as np
   %matplotlib inline
   import matplotlib.pyplot as plt
   import matplotlib.cm as cm
   

   
2. FordA データセット（TSV 形式ファイル ）のロード

   def readucr(filename):
       data = np.loadtxt(filename, delimiter="\t")
       y = data[:, 0]
       x = data[:, 1:]
       return (x, y.astype(int))
   
   root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
   
   ds_train = readucr(root_url + "FordA_TRAIN.tsv")
   ds_test = readucr(root_url + "FordA_TEST.tsv")
   

   

3. 時系列データのプロット

1. データの確認

   print(ds_train[0].shape)
   print(ds_train[1].shape)
   print(ds_test[0].shape)
   print(ds_test[1].shape)
   

   
2. ds_train[1], ds_test[1] からラベル番号を得る．

   このとき重複を除去する．

   classes = np.unique(np.concatenate((ds_train[1], ds_test[1]), axis=0))
   

   
3. seaborn の準備

   import seaborn as sns
   sns.set()
   

   
4. 時系列データのプロット

   def plot_ts(x, y, classes, top_k, alpha):
   # ラベル付きの時系列データについて、うち、top_k 個をプロット。色はカラーマップ hsv を使って色付け、alpha は透明度。
       MI = np.min(classes)
       MA = np.max(classes)
       R = 0.8
       plt.figure()
       for c in classes:
           for i in x[y == c][0:top_k]:
               cval = R * (c - MI) / (MA - MI)
               plt.plot(i, alpha=alpha, color=cm.hsv(cval))
   
       plt.legend(loc="best")
       plt.show()
       plt.close()
   
   plot_ts(x = ds_train[0], y = ds_train[1], classes = classes, top_k = 10, alpha = 0.1)
   

   
5. 設定を変えてプロット

   plot_ts(x = ds_train[0], y = ds_train[1], classes = classes, top_k = 1, alpha = 1)
   

   
6. 主成分分析の結果である主成分スコアのプロット

   ds_train, ds_test の表示

   ds_train[0], ds_test[0] は主成分分析で２次元にマッピング， ds_train[1], ds_test[1] は色．

   import pandas as pd
   import seaborn as sns
   sns.set()
   import sklearn.decomposition
   # 主成分分析
   def prin(A, n):
       pca = sklearn.decomposition.PCA(n_components=n)
       return pca.fit_transform(A)
   
   # 主成分分析で２つの成分を得る
   def prin2(A):
       return prin(A, 2)
   
   # M の最初の2列を，b で色を付けてプロット
   def scatter_plot(M, b, alpha):
       a12 = pd.DataFrame( M[:,0:2], columns=['a1', 'a2'] )
       a12['target'] = b
       sns.scatterplot(x='a1', y='a2', hue='target', data=a12, palette=sns.color_palette("hls", np.max(b) + 1), legend="full", alpha=alpha)
   
   # 主成分分析プロット
   def pcaplot(A, b, alpha):
       scatter_plot(prin2(A), b, alpha)
   
   pcaplot(ds_train[0], ds_train[1], 0.1)
   

   

   pcaplot(ds_test[0], ds_test[1], 0.1)