我正在处理的问题的上下文是试图转换时间序列预测的结果，用matplotlib绘制。绘制回一个数据框架，这样我就可以使用袖扣库来获得一个更具交互性的图表，这样我就可以将鼠标悬停在数据点上，以更详细地查看预测。
所以在训练和创建模拟之后代码是:
date_ori = pd.to_datetime(df.iloc[:, 0]).tolist()
for i in range(test_size):
date_ori.append(date_ori[-1] + timedelta(days = 1))
date_ori = pd.Series(date_ori).dt.strftime(date_format = '%Y-%m-%d').tolist()
date_ori[-5:]
accepted_results = []
for r in results:
if (np.array(r[-test_size:]) < np.min(df['Close'])).sum() == 0 and
(np.array(r[-test_size:]) > np.max(df['Close']) * 2).sum() == 0:
accepted_results.append(r)
len(accepted_results)
accuracies = [calculate_accuracy(df['Close'].values, r[:-test_size]) for r in accepted_results]
plt.figure(figsize = (15, 5))
for no, r in enumerate(accepted_results):
plt.plot(r, label = 'forecast %d'%(no + 1))
plt.plot(df['Close'], label = 'true trend', c = 'black')
plt.legend()
plt.title('average accuracy: %.4f'%(np.mean(accuracies)))
x_range_future = np.arange(len(results[0]))
plt.xticks(x_range_future[::30], date_ori[::30])
plt.show()
我已经开始剖析最后一个绘图部分，试图将数据转换为数据帧，以便使用袖扣进行绘图，因为袖扣的格式如下:
import cufflinks as cf
# data from FXCM Forex Capital Markets Ltd.
raw = pd.read_csv('http://hilpisch.com/fxcm_eur_usd_eod_data.csv',
index_col=0, parse_dates=True)
quotes = raw[['AskOpen', 'AskHigh', 'AskLow', 'AskClose']]
quotes = quotes.iloc[-60:]
quotes.tail()
AskOpen AskHigh AskLow AskClose
2017-12-25 22:00:00 1.18667 1.18791 1.18467 1.18587
2017-12-26 22:00:00 1.18587 1.19104 1.18552 1.18885
2017-12-27 22:00:00 1.18885 1.19592 1.18885 1.19426
2017-12-28 22:00:00 1.19426 1.20256 1.19369 1.20092
2017-12-31 22:00:00 1.20092 1.20144 1.19994 1.20147
qf = cf.QuantFig(
quotes,
title='EUR/USD Exchange Rate',
legend='top',
name='EUR/USD'
)
qf.iplot()
到目前为止，我所得到的是试图将绘图图分解成一个数据框架，如下所示，这些是预测结果:
df = accepted_results
rd = pd.DataFrame(df)
rd.T
0 1 2 3 4 5 6 7
0 768.699985 768.699985 768.699985 768.699985 768.699985 768.699985 768.699985 768.699985
1 775.319656 775.891012 772.283885 737.763376 773.811344 785.021571 770.438252 770.464180
2 772.387081 787.562968 764.858772 737.837558 775.712162 770.660990 768.103724 770.786379
3 786.316425 779.248516 765.839603 760.195678 783.410054 789.610540 765.924561 773.466415
4 796.039144 803.113903 790.219174 770.508252 795.110376 793.371152 774.331197 786.772606
... ... ... ... ... ... ... ... ...
277 1042.788063 977.462670 1057.189696 1262.203613 1057.900621 1042.329811 1053.378352 1171.416597
278 1026.857102 975.473725 1061.585063 1307.540754 1061.490772 1049.696547 1054.122795 1117.779434
279 1029.388746 977.097765 1069.265953 1192.250498 1064.540056 1049.169295 1045.126807 1242.474584
280 1030.373147 983.650686 1070.628785 1103.139889 1053.571269 1030.669091 1047.641127 1168.965372
281 1023.118504 984.660763 1071.661590 1068.445156 1080.461617 1035.736879 1035.599867 1231.714340
然后从
转换x轴plt.xticks(x_range_future[::30], date_ori[::30])
df1 = pd.DataFrame((x_range_future[::30], date_ori[::30]))
df1.T
0 1
0 0 2016-11-02
1 30 2016-12-15
2 60 2017-01-31
3 90 2017-03-15
4 120 2017-04-27
5 150 2017-06-09
6 180 2017-07-24
7 210 2017-09-05
8 240 2017-10-17
9 270 2017-11-20
最后是close列这是目前为止我能想到的
len(df['Close'].values)
252
使用
df['Close'].values
我得到一个数组，我有问题得到这一切在一起，袖扣iplot图形只是方式更好，这将是惊人的，如果我能以某种方式获得直觉做到这一点，我提前道歉，如果我没有足够努力，但我尽我最大的努力，我似乎找不到答案，无论多少次我搜索谷歌，所以我想我会问这里。
这就是我所做的，我经历并打印了独立的字符串，如print(date_ori)，并使用print(len(date_ori)简化了它，这反过来又有预测的所有日期，然后我用df['date'] = pd.DataFrame(date_ori)将其变成一个数据帧，其中df['date'] = pd.DataFrame(date_ori)，与结果一样，我必须用df置换它们。T，所以它们将是长列格式而不是长行格式，所以首先
df = pd.DataFrame(results)
df = df.T
然后
df['date'] = pd.DataFrame(date_ori)
我在命名包含所有预测结果的列0时遇到了麻烦，所以我只是用
保存文件df.to_csv('yo')
然后编辑名为0的列到results，并在末尾添加。csv，然后将数据拉回内存
然后格式化日期
format = '%Y-%m-%d'
df['Datetime'] = pd.to_datetime(df['date'], format=format)
df = df.set_index(pd.DatetimeIndex(df['Datetime']))
并删除了UN需要的列，我想我现在可以添加我开始绘制的接近数据，但是我将结果放入数据框架中，所以现在我可以使用这些很棒的图表!真不敢相信我在18个小时内就明白了，我很失落，哈哈。
我也放弃了实验，只有一个模拟，所以只有一行结果要处理，所以我可以弄清楚。