Python数据可视化时间序列案例全面解析
1. 时间序列图: 描述1949年至1969年间航空客运流量随时间变化的动态趋势。
2. 带有标记的时间序列: 显示关键事件对波动的影响，帮助解读特定时期的数据变化。
3. ACF & PACF图: 分析时间序列的自相关性，如AirPassengers中长达14年的滞后影响今日数据，PACF则排除了滞后效应。
4. 交叉相关图: 显示两个时间序列之间的相关性，适用于多变量分析。
5. 时间序列分解: 拆分出趋势、季节性和随机成分，便于深入理解数据结构。
6. 多时间序列图: 同一图表上对比多个指标，便于对比分析。
7. 双Y轴图: 同一时间点对比不同量级的两个序列，用以展示并行趋势。
8. 误差带时间序列: 通过置信带展示数据集的波动性和不确定性，如一天中订单变化。
9. 堆积面积图: 易于比较不同时间序列的贡献，直观展现数据分布。
10. 未堆叠区域图: 体现两个系列之间的相对增减，如失业与储蓄率之间的关系。
11. 日历热图: 尽管数值不明显，但可用于强调极端值和节假日效应的可视化。
12. 季节性图: 比较不同季节同一天的表现，用于季节性分析。