Кривые регрессий графика данных в пандах для каждого столбца

Question

У меня есть фрейм данных, который выглядит как эта картинка ниже.Я хочу построить график числа против даты для каждого из столбцов (Android, angularjs и т. Д.).Я попытался использовать series.unstack().plot, но он дает мне линейный график, который выглядит как на рисунке 2. Вместо линейного графика я просто хочу построить кривую наилучшего соответствия для каждого из этих столбцов, поскольку я просто хочу сравнить рост (на том же графике).

Answer 1

Просто для предоставления ответа с использованием скользящих средних, которые могут быть полезны для просмотра изменений тренда (которых, похоже, в исходных данных есть некоторые), которые затемняются путем подгонки линии.В этом примере показано 120 скользящих окон наблюдения, которые отлично сглаживают данные, сохраняя локальные изменения тренда.

import pandas as pd
import numpy as np

data = pd.DataFrame(
    {
        'val_1': pd.Series((np.random.randn(1000) * (1 - np.random.rand(1000)))).cumsum(),
        'val_2': pd.Series((np.random.randn(1000) * (1 - np.random.rand(1000)))).cumsum()
    }
)

window = 120

rolling = data.rolling(window).mean()

rolling.columns = [i + '_rolling_' + str(window) for i in data.columns]

ax = data.plot(alpha = .5)

rolling.plot(ax = ax)

Предоставление:

Answer 2

Не уверен, что понимаю, что вы хотите, но я сделаю попытку.

Поскольку вы не предоставили данные, давайте создадим четыре случайных блуждания с разными смещениями:

s1 = pd.Series(0.3  + np.random.normal(size=[100])).cumsum()
s2 = pd.Series(-0.3 + np.random.normal(size=[100])).cumsum()
s3 = pd.Series(0.1  + np.random.normal(size=[100])).cumsum()
s4 = pd.Series(0.1  + np.random.normal(size=[100])).cumsum()

И df:

df = pd.DataFrame({'s1':s1,
                   's2':s2,
                   's3':s3,
                   's4':s4})

Такой, что сюжет будет

Теперь, чтобы соответствовать лучшимВы можете использовать numpy.polyfit, указав степень 1

b1, a1 = np.polyfit(range(100), s1, 1)
b2, a2 = np.polyfit(range(100), s2, 1)
b3, a3 = np.polyfit(range(100), s3, 1)
b4, a4 = np.polyfit(range(100), s4, 1)

fig, ax = plt.subplots() 
ax.plot(np.arange(100), a1 + b1*np.arange(100), color='red')
ax.plot(np.arange(100), a2 + b2*np.arange(100), color='blue')
ax.plot(np.arange(100), a3 + b3*np.arange(100), color='green')
ax.plot(np.arange(100), a4 + b4*np.arange(100), color='black')

Так, что вы получите

Чтобы сравнить наиболее подходящую линию с фактическим исходным графиком, установите те же цвета при построении:

ax.plot(np.arange(100), a1 + b1*np.arange(100), color='red')
ax.plot(np.arange(100), a2 + b2*np.arange(100), color='blue')
ax.plot(np.arange(100), a3 + b3*np.arange(100), color='green')
ax.plot(np.arange(100), a4 + b4*np.arange(100), color='black')

ax.plot(df.s1, color='red')
ax.plot(df.s2, color='blue')
ax.plot(df.s3, color='green')
ax.plot(df.s4, color='black')