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)
numpy の配列に、同一の長さの時系列データが、複数入っているとする。そして、別データで、各時系列データのラベル番号があるとする。 このとき、時系列データを、ラベル番号を使って色分けし、プロットする。
【目次】
【関連する外部ページ】
Google Colaboratory のページ:
次のリンクをクリックすると,Google Colaboratory のノートブックが開く. そして,Google アカウントでログインすると,Google Colaboratory のノートブック内のコード等を編集したり再実行したりができる.編集した場合でも,他の人に影響が出たりということはない.そして,編集後のものを,各自の Google ドライブ内に保存することもできる.
https://colab.research.google.com/drive/1tZmdhdUXMoB_rtQM45u-qgDPo75jTnYZ?usp=sharing
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(winget を使用しないインストール): 別ページ »で説明
- 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
【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
【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
- 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
- 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
- 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)
- 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))
- seaborn の準備
import seaborn as sns sns.set()
- 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)
- 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)
- 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)