第4章季节性图表绘制

第4章：季节性图表绘制——用Matplotlib把数据变成“会说话”的图

说实话，做农产品分析这些年，我最怕的就是客户问：“你凭什么说这个品种有季节性规律？”

光靠嘴说，没人信。你得把数据摆出来，画成图，让人一眼就看明白。

这一章，我就带你亲手画出三张核心图表：季节性走势图、箱线图、热力图。这三张图，基本能覆盖90%的季节性分析场景。

4.1 准备工作：先把数据收拾利索

在画图之前，数据必须处理干净。我个人习惯用Pandas做预处理，把日期列转成datetime格式，再提取月份和年份。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 模拟数据：某农产品近5年月度价格
np.random.seed(42)
dates = pd.date_range('2019-01-01', '2023-12-01', freq='MS')
prices = 100 + 20 * np.sin(np.linspace(0, 8*np.pi, len(dates))) + np.random.normal(0, 5, len(dates))
df = pd.DataFrame({'日期': dates, '价格': prices})
df['年份'] = df['日期'].dt.year
df['月份'] = df['日期'].dt.month

嗯，这里要注意：真实数据往往有缺失值，比如节假日没有交易。我建议先做线性插值，别直接扔掉。

我的小习惯： 数据清洗后，先看一眼describe()，确认没有离谱的异常值。曾经有一次，我因为没检查，画出来的箱线图全是离群点，后来发现是数据录入时多了一个小数点。

4.2 季节性走势图：看“年复一年”的规律

这张图最直观。把每年同月份的价格曲线叠在一起，一眼就能看出：哪几个月涨，哪几个月跌。

plt.figure(figsize=(12, 6))
for year in df['年份'].unique():
    year_data = df[df['年份'] == year]
    plt.plot(year_data['月份'], year_data['价格'], marker='o', label=str(year))

plt.xlabel('月份')
plt.ylabel('价格')
plt.title('农产品月度价格季节性走势')
plt.xticks(range(1, 13), ['1月','2月','3月','4月','5月','6月',
                           '7月','8月','9月','10月','11月','12月'])
plt.legend()
plt.grid(True, linestyle='--', alpha=0.6)
plt.show()

你看，如果每年曲线在某个月份都出现“尖峰”，那基本可以确定是季节性高点。我在做玉米分析时，发现每年6-7月都会有一波拉升，后来查了资料，原来是新陈粮交接期的供应紧张。

  核心要点： 季节性走势图适合“定性”判断——有没有规律？规律强不强？但要说“具体涨多少”，还得看下一张图。

4.3 箱线图：用统计说话

箱线图能告诉你：每个月份的价格中位数、波动范围、以及有没有异常值。说白了，就是给季节性规律“上保险”。

plt.figure(figsize=(12, 6))
sns.boxplot(x='月份', y='价格', data=df)
plt.xlabel('月份')
plt.ylabel('价格')
plt.title('农产品月度价格箱线图')
plt.xticks(range(12), ['1月','2月','3月','4月','5月','6月',
                        '7月','8月','9月','10月','11月','12月'])
plt.grid(True, linestyle='--', alpha=0.3)
plt.show()

为什么会这样？箱线图里的“箱子”越窄，说明这个月份的价格越稳定。箱子越宽，说明波动大，风险高。

我记得有一次做苹果分析，10月份的箱子特别宽。后来发现，是因为每年开秤价差异很大，有的年份高开，有的年份低开。这时候，光看走势图是看不出来的。

避坑指南： 我曾经用箱线图分析生猪价格，发现7月份的箱子特别高。差点就以为7月是旺季。后来仔细一看，是因为有一年非洲猪瘟导致价格暴涨，把整个箱子拉高了。所以，一定要结合背景信息看箱线图，别被异常值带偏。

4.4 热力图：发现“月份×年份”的隐藏模式

热力图是我个人最喜欢用的工具。它把数据变成颜色，一眼就能看出哪几年、哪几个月表现异常。

# 构建透视表
pivot = df.pivot_table(values='价格', index='年份', columns='月份', aggfunc='mean')

plt.figure(figsize=(12, 6))
sns.heatmap(pivot, annot=True, fmt='.0f', cmap='RdYlGn', center=pivot.values.mean())
plt.xlabel('月份')
plt.ylabel('年份')
plt.title('农产品月度价格热力图')
plt.show()

你看，颜色越绿说明价格越高，越红说明越低。如果某一行全是绿色，那这一年就是“大年”。如果某一列全是红色，那这个月份就是“淡季”。

我在做白糖分析时，用热力图发现2020年5月异常偏绿。后来一查，是因为那年印度减产，全球糖价飙升。这个发现，帮我提前布局了多头策略。

  热力图的妙用： 除了看价格，还可以看“涨跌概率”。把每个月上涨的概率算出来，画成热力图，就能知道哪个月份“大概率涨”。这个我在量化策略里经常用。

4.5 三张图怎么配合使用？

我一般这样用：

先看走势图：快速判断有没有季节性规律。
再看箱线图：确认规律是否稳定，波动大不大。
最后看热力图：找出异常年份和月份，深挖背后的原因。

这三张图看完，基本就能写出一份像样的季节性分析报告了。

进阶技巧： 把三张图放在同一个Figure里，用subplot布局。这样客户看的时候，不用来回翻页。我每次做汇报都这么干，效果很好。

4.6 本章小结

画图这件事，说白了就是“把数据翻译成视觉语言”。走势图讲趋势，箱线图讲分布，热力图讲模式。三张图配合使用，季节性规律就无处遁形了。

嗯，这一章的内容就到这里。代码我都贴出来了，你直接复制就能跑。如果数据换成你自己的品种，记得先做数据清洗，别偷懒。

公众号：蓝海数据掘金营，微信：deep3321

📚 课程目录