pandas时间序列展示月同比数据变化

可以使用pandas中的`resample()`方法来进行时间序列的重采样，并使用`pct_change()`方法计算同比变化率。下面是一个示例代码：

import pandas as pd
import matplotlib.pyplot as plt

# 生成一个月频率的时间序列数据
dates = pd.date_range(start='2021-01-01', end='2021-12-31', freq='M')
data = pd.Series([2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13], index=dates)

# 对数据进行重采样，转换为年度频率
data_yoy = data.resample('Y').last().pct_change()

# 绘制月同比数据变化曲线
plt.plot(data_yoy.index, data_yoy.values, '-o')
plt.xlabel('Year')
plt.ylabel('YoY Change')
plt.title('Monthly YoY Change')
plt.show()

在这个例子中，我们生成了一个从2021年1月1日到2021年12月31日的月频率时间序列数据，然后通过`resample()`方法将其转换为年度频率，并使用`pct_change()`方法计算同比变化率。最后，我们使用matplotlib库绘制了月同比数据变化曲线。

相关问题

pandas 时间序列数据叠加

要将时间序列数据叠加，可以使用 Pandas 库中的 `concat()` 函数。`concat()` 函数可以按照指定的轴将多个 Pandas 对象（如 Series 或 DataFrame）叠加在一起。

例如，假设有两个包含时间序列数据的 DataFrame 对象，可以使用以下代码将它们叠加在一起：

import pandas as pd

# 创建第一个时间序列数据
df1 = pd.DataFrame({
    'date': pd.date_range('2022-01-01', '2022-01-05', freq='D'),
    'value': [1, 2, 3, 4, 5]
})

# 创建第二个时间序列数据
df2 = pd.DataFrame({
    'date': pd.date_range('2022-01-03', '2022-01-07', freq='D'),
    'value': [6, 7, 8, 9, 10]
})

# 将两个时间序列数据叠加
df = pd.concat([df1, df2])

# 打印结果
print(df)

在上面的代码中，首先创建了两个包含时间序列数据的 DataFrame 对象 `df1` 和 `df2`，然后使用 `concat()` 函数将它们叠加在一起，并将结果存储在新的 DataFrame 对象 `df` 中。最后，使用 `print()` 函数打印结果。

输出结果如下：

        date  value
0 2022-01-01      1
1 2022-01-02      2
2 2022-01-03      3
3 2022-01-04      4
4 2022-01-05      5
0 2022-01-03      6
1 2022-01-04      7
2 2022-01-05      8
3 2022-01-06      9
4 2022-01-07     10

可以看到，`concat()` 函数将两个时间序列数据叠加在一起，并保留了各自的索引。

pandas读取时间序列数据

使用pandas读取时间序列数据可以使用`read_csv()`函数，设置`parse_dates`和`index_col`参数即可。例如：

import pandas as pd

df = pd.read_csv('data.csv', parse_dates=[0], index_col=[0])

其中，`data.csv`是时间序列数据的文件名，`parse_dates=[0]`表示将第一列解析为日期时间格式，`index_col=[0]`表示将第一列作为DataFrame的索引。如果数据中有多列时间序列，可以在`parse_dates`和`index_col`参数中加入对应的列号。