Gli orari di Seaborn si basano su più serie

Question

Sto provando a creare una trama di serie temporali con Seaborn da un dataframe con più serie.

da questo post: seaborn time series from pandas dataframe

Mi sembra di capire che tsplot non è andare a lavorare come è pensato per tracciare incertezza.

Quindi esiste un altro metodo Seaborn destinato ai grafici a linee con più serie?

mio dataframe si presenta così:

print(df.info()) 
print(df.describe()) 
print(df.values) 
print(df.index) 

uscita:

<class 'pandas.core.frame.DataFrame'> 
DatetimeIndex: 253 entries, 2013-01-03 to 2014-01-03 
Data columns (total 5 columns): 
Equity(24 [AAPL])  253 non-null float64 
Equity(3766 [IBM])  253 non-null float64 
Equity(5061 [MSFT]) 253 non-null float64 
Equity(6683 [SBUX]) 253 non-null float64 
Equity(8554 [SPY])  253 non-null float64 
dtypes: float64(5) 
memory usage: 11.9 KB 
None 
     Equity(24 [AAPL]) Equity(3766 [IBM]) Equity(5061 [MSFT]) \ 
count   253.000000   253.000000   253.000000 
mean   67.560593   194.075383   32.547436 
std    6.435356   11.175226    3.457613 
min   55.811000   172.820000   26.480000 
25%   62.538000   184.690000   28.680000 
50%   65.877000   193.880000   33.030000 
75%   72.299000   203.490000   34.990000 
max   81.463000   215.780000   38.970000 

     Equity(6683 [SBUX]) Equity(8554 [SPY]) 
count   253.000000   253.000000 
mean    33.773277   164.690180 
std    4.597291   10.038221 
min    26.610000   145.540000 
25%    29.085000   156.130000 
50%    33.650000   165.310000 
75%    38.280000   170.310000 
max    40.995000   184.560000 
[[ 77.484 195.24 27.28 27.685 145.77 ] 
[ 75.289 193.989 26.76 27.85 146.38 ] 
[ 74.854 193.2  26.71 27.875 145.965] 
..., 
[ 80.167 187.51 37.43 39.195 184.56 ] 
[ 79.034 185.52 37.145 38.595 182.95 ] 
[ 77.284 186.66 36.92 38.475 182.8 ]] 
DatetimeIndex(['2013-01-03', '2013-01-04', '2013-01-07', '2013-01-08', 
       '2013-01-09', '2013-01-10', '2013-01-11', '2013-01-14', 
       '2013-01-15', '2013-01-16', 
       ... 
       '2013-12-19', '2013-12-20', '2013-12-23', '2013-12-24', 
       '2013-12-26', '2013-12-27', '2013-12-30', '2013-12-31', 
       '2014-01-02', '2014-01-03'], 
       dtype='datetime64[ns]', length=253, freq=None, tz='UTC') 

questo funziona (ma voglio mettere le mani sporche di Seaborn):

df.plot() 

uscita:

Grazie per il vostro tempo!

Update1:

df.to_dict() restituito: https://gist.github.com/anonymous/2bdc1ce0f9d0b6ccd6675ab4f7313a5f

Update2:

Utilizzando il codice di esempio @knagaev, ho ristretto la scelta a questa differenza:

corrente dataframe (uscita print(current_df)):

      Equity(24 [AAPL]) Equity(3766 [IBM]) \ 
2013-01-03 00:00:00+00:00    77.484   195.2400 
2013-01-04 00:00:00+00:00    75.289   193.9890 
2013-01-07 00:00:00+00:00    74.854   193.2000 
2013-01-08 00:00:00+00:00    75.029   192.8200 
2013-01-09 00:00:00+00:00    73.873   192.3800 

dataframe desiderato (uscita di print(desired_df)):

  Date Company  Kind   Price 
0 2014-01-02  IBM  Open  187.210007 
1 2014-01-02  IBM  High  187.399994 
2 2014-01-02  IBM  Low  185.199997 
3 2014-01-02  IBM  Close  185.529999 
4 2014-01-02  IBM  Volume 4546500.000000 
5 2014-01-02  IBM Adj Close  171.971090 
6 2014-01-02 MSFT  Open  37.349998 
7 2014-01-02 MSFT  High  37.400002 
8 2014-01-02 MSFT  Low  37.099998 
9 2014-01-02 MSFT  Close  37.160000 
10 2014-01-02 MSFT  Volume 30632200.000000 
11 2014-01-02 MSFT Adj Close  34.960000 
12 2014-01-02 ORCL  Open  37.779999 
13 2014-01-02 ORCL  High  38.029999 
14 2014-01-02 ORCL  Low  37.549999 
15 2014-01-02 ORCL  Close  37.840000 
16 2014-01-02 ORCL  Volume 18162100.000000 

Qual è il modo migliore di riorganizzare il current_df-desired_df?

Update 3: finalmente ho capito di lavoro da l'aiuto di @knagaev:

ho dovuto aggiungere una colonna fittizia così come l'indice di finezza:

df['Datetime'] = df.index 
melted_df = pd.melt(df, id_vars='Datetime', var_name='Security', value_name='Price') 
melted_df['Dummy'] = 0 

sns.tsplot(melted_df, time='Datetime', unit='Dummy', condition='Security', value='Price', ax=ax) 

produrre:

Answer 1

Si può provare a sporcarsi le mani con tsplot.

Potrai disegnare i grafici di linea con errori standard ("aggiunte statistici")

ho cercato di simulare il set di dati. Quindi ecco i risultati

import pandas.io.data as web 
from datetime import datetime 
import seaborn as sns 

stocks = ['ORCL', 'TSLA', 'IBM','YELP', 'MSFT'] 
start = datetime(2014,1,1) 
end = datetime(2014,3,28)  
f = web.DataReader(stocks, 'yahoo',start,end) 

df = pd.DataFrame(f.to_frame().stack()).reset_index() 
df.columns = ['Date', 'Company', 'Kind', 'Price'] 

sns.tsplot(df, time='Date', unit='Kind', condition='Company', value='Price') 

A proposito questo esempio è molto imitativo.Il parametro "unità" è "Campo nel data DataFrame che identifica l'unità di campionamento (ad esempio soggetto, neurone, ecc.) La rappresentazione dell'errore si sovrapporrà alle unità ad ogni osservazione di condizione/condizione." (Dalla documentazione). Quindi ho usato il campo "Tipo" a scopo illustrativo.

Ok, ho fatto un esempio per il tuo dataframe. Ha campo fittizio per "pulizia rumore" :)

import pandas.io.data as web 
from datetime import datetime 
import seaborn as sns 

stocks = ['ORCL', 'TSLA', 'IBM','YELP', 'MSFT'] 
start = datetime(2010,1,1) 
end = datetime(2015,12,31)  
f = web.DataReader(stocks, 'yahoo',start,end) 

df = pd.DataFrame(f.to_frame().stack()).reset_index() 
df.columns = ['Date', 'Company', 'Kind', 'Price'] 

df_open = df[df['Kind'] == 'Open'].copy() 
df_open['Dummy'] = 0 

sns.tsplot(df_open, time='Date', unit='Dummy', condition='Company', value='Price')