Bu yazıda görselleştirmek için üç veri üzerinde çalışacağız: Türkiye için 1960-2020 dönemine ait logaritmik dönüşümü yapılmış yıllık GSYH verisi, İstanbul için 2015-01:2021-11 dönemi aylık trafik endeksi ve son 5 yıllık döneme ait günlük Vestel hisse senedi verileri. Bu verileri çalışma ortamına alalım:
# gereksiz uyarıları gizlemek için
import warnings
warnings.filterwarnings("ignore")
# gsyh verisinin çalışma ortamına alınıp düzenlenmesi
from pandas_datareader import wb
import numpy as np
import pandas as pd
gsyh = wb.download(indicator='NY.GDP.PCAP.KD', country=['TR'], start=1960, end=2020).reset_index()
gsyh = gsyh.rename(columns={'NY.GDP.PCAP.KD':"gsyh"})
gsyh['log_gsyh'] = np.log(gsyh['gsyh'])
gsyh = gsyh.sort_values(by="year")
print(gsyh.head())
country year gsyh log_gsyh 60 Turkey 1960 2509.623463 7.827888 59 Turkey 1961 2477.795384 7.815124 58 Turkey 1962 2553.614058 7.845265 57 Turkey 1963 2719.253349 7.908113 56 Turkey 1964 2800.103587 7.937412
import requests
# trafik indeksi verisini içeri almak için
def trafik_indeksini_al(periyot=1, frekans='D'):
"""
Trafik indeksi veri çerçevesini döndürür.
Args:
peryot (int): periyot sayısı.
frekans (str): zaman frekansı. Y:year, M:month, D:day, H:hour, 5M:5 minutes. default:D
Returns:
veri (pandas.DataFrame): trafik indeksi veri çerçevesi
"""
# url
url = "https://api.ibb.gov.tr/tkmservices/api/TrafficData/v1/TrafficIndexHistory/" + str(periyot) + "/" + frekans
# api adresinden verinin alınması
istenen_veri = requests.get(url)
# verinin json biçimine dönüştürülmesi
istenen_veri_json = istenen_veri.json()
# istenen verinin pandas.DataFrame biçimine dönüştürülmesi
veri = pd.DataFrame.from_dict(istenen_veri_json)
return veri
trafik_indeksi = trafik_indeksini_al(periyot=3600, frekans='M')
print(trafik_indeksi.head())
TrafficIndex TrafficIndexDate 0 32 2015-12-01T00:00:00 1 29 2015-11-01T00:00:00 2 30 2015-10-01T00:00:00 3 29 2015-09-01T00:00:00 4 32 2015-08-01T00:00:00
# yfinance çerçevesinin çalışma ortamına alınması
import yfinance as yf
vestel = yf.Ticker("VESTL.IS")
vestel_fiyatlar = vestel.history(start="2016-01-01", end="2021-06-01")
print(vestel_fiyatlar.head())
Open High Low Close Volume Dividends \
Date
2015-12-31 4.071194 4.110567 3.992447 4.023946 4774222 0
2016-01-01 4.023946 4.023946 4.023946 4.023946 0 0
2016-01-04 3.897951 3.953074 3.850703 3.905826 4890882 0
2016-01-05 3.945199 3.984572 3.850703 3.937325 8040998 0
2016-01-06 3.921575 4.016071 3.913700 4.000321 12378165 0
Stock Splits
Date
2015-12-31 0
2016-01-01 0
2016-01-04 0
2016-01-05 0
2016-01-06 0
E.2.1. pandas, matplotlib ve seaborn ile Görselleştirme
DataFrame yapısındaki bir zaman serisini, hızlıca görselleştirmenin en kestirme yolu, pandas metodlarını kullanmaktır:
gsyh.plot(x="year", y="log_gsyh", figsize=(15,8));
İkinci kolay yol, matplotlib veya seaborn metodlarını kullanmaktır:
# matplotlib ve seaborn çerçevelerinin çağırılması
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(15, 8))
plt.grid(True)
plt.plot(gsyh.year, gsyh.log_gsyh, label='gsyh', color='r')
plt.xticks(rotation=90)
plt.legend(loc=2)
plt.show()
Benzer bir çizimi seaborn ile de yapabiliriz:
plt.figure(figsize=(15, 8))
sns.lineplot(x="year", y="log_gsyh", legend="auto", data=gsyh)
plt.grid()
plt.xticks(rotation=90)
plt.title("Türkiye İçin GSYH (log) ")
plt.show()
Son iki çizimde, ızgara (grid) özelliklerini de ekledik. Son çizimde grafiğe başlık ekledik. Seyrek gözlemli zaman serilerini çizerken, ızgara gibi işaretleyici (marker) eklemek de çizimi okumayı ve yorumlamayı kolaylaştırabilir. Yukarıdaki çizim için bunu marker="o" argümanı ekleyerek yapalım:
sns.set_style("darkgrid")
plt.figure(figsize=(15, 8))
sns.lineplot(x="year", y="log_gsyh", marker="o", data=gsyh)
plt.xticks(rotation=90)
plt.title("Türkiye İçin GSYH (log) ")
plt.show()
Zaman serilerini çizerken, yıllık bazda trendi, aylık/haftalık bazda da mevsimselliği görmek için kutu çizimleri (box plot) yararlı olabilir. Trafik indeksi verisi için ay ve yıl değişkenlerini oluşturup yıllık ve aylık bazda kutu çizimlerini yapalım:
# zaman değişkenini `object` veri tipinden `DateTime` veri tipine dönüştürelim
trafik_indeksi['TrafficIndexDate'] = pd.to_datetime(trafik_indeksi["TrafficIndexDate"])
# ay değişkeni oluşturalım
trafik_indeksi["ay"] = trafik_indeksi['TrafficIndexDate'].dt.month
# yıl değişkeni
trafik_indeksi["yıl"] = trafik_indeksi['TrafficIndexDate'].dt.year
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(15, 8))
sns.boxplot(trafik_indeksi['yıl'], trafik_indeksi['TrafficIndex'], ax=ax[0])
ax[0].set_title('Yıl Bazında Kutu Çizimi\n(Trend)', fontsize = 20, loc='center', fontdict=dict(weight='bold'))
ax[0].set_xlabel('Yıl', fontsize = 16, fontdict=dict(weight='bold'))
ax[0].set_ylabel('Trafik İndeksi', fontsize = 16, fontdict=dict(weight='bold'));
sns.boxplot(trafik_indeksi['ay'], trafik_indeksi['TrafficIndex'], ax=ax[1])
ax[1].set_title('Ay Bazında Kutu Çizimi\n(Mevsimsellik)', fontsize = 20, loc='center', fontdict=dict(weight='bold'))
ax[1].set_xlabel('Ay', fontsize = 16, fontdict=dict(weight='bold'))
ax[1].set_ylabel('Trafik İndeksi', fontsize = 16, fontdict=dict(weight='bold'));
Mevsimselliğin çizilmesiyle eğer varsa mevsimsellik daha net görülebilir, önemli değişimler daha net görülebilir. Trendin çizilmesiyle, yıl ve ay bazında önemli değişimler ve uç durumlar daha açık olarak görülebilir.
E.2.2. Etkileşimli Görselleştirme-1: plotly ve plotly-express
Gerek zaman serilerinde gerekse de farklı veri tiplerinde olsun, özellikler web bazlı grafik çıktılarında etkileşimli çizimler, sunum ve veri inceleme açısından statik çizimlere göre birtakım faydalar sunarlar.
İlk olarak plotly ve plotly-express çerçeveleri ile zaman serileri görselleştirmesini yapacağız. Çerçeveyi, bilgisayarınıza indirmek oldukça kolaydır:
pip install plotly
BİST100 kapanış (Close) fiyatlarını plotly ile görselleştirelim:
# plotly çerçevesininden `graph_objects` modülünü içeri alalım
import plotly.graph_objects as go
fig = go.Figure()
fig.add_trace(
go.Scatter(x=vestel_fiyatlar.index, y=vestel_fiyatlar.Close)
)
fig.show()
Yukarıda çizdiğimiz grafik için, çok daha hızlı ve pratik bir yol, plotly-express modülüdür:
# plotly-express modülünü içeri alalım
import plotly.express as px
fig = px.line(vestel_fiyatlar, x = vestel_fiyatlar.index, y = vestel_fiyatlar.Close)
fig.show()
E.2.3. Etkileşimli Görselleştirme-2: bokeh ve holoviews
Python ile, etkileşimli çizimler yapmak için geliştirilmiş bir başka çerçeve de bokeh dir. bokeh üzerine geliştirilmiş bir üst seviye çerçeve de holoviews dir. Aslında holoviews, sadece bokeh ile değil, arkaplanda matplotlib, plotly, vega gibi farklı çerçeveler ile birlikte çalışabilen bir arayüz gibidir.
Her iki çerçeveyi de çalışma ortamına eklemek oldukça kolaydır:
pip install bokeh
pip install "holoviews[recommended]"
İlk olarak bokeh ile çizim yapalım. Bunun için, eğer jupyter notebook gibi bir ortamda çalışıyorsanız, bu ortamda çizimi göstermek için output_notebook() metodunu kullanmanız gerekir.
# bokeh çerçevesinden gerekli modüllerin çağırılması
from bokeh.plotting import figure
from bokeh.io import push_notebook, show, output_notebook
from bokeh.models import ColumnDataSource
output_notebook()
kaynak = vestel_fiyatlar[['Close']]
p = figure(x_axis_type="datetime", plot_width=800, plot_height=350)
p.line("Date", "Close", source=kaynak)
show(p, notebook_handle=True);
holoviews ile benzer çizimi elde etmek, nispeten daha kolaydır
# gerekli modüllerin çağırılması
import holoviews as hv
from bokeh.io import output_notebook
hv.extension('bokeh')
output_notebook()
hv.Curve(vestel_fiyatlar, ('Date', 'Tarih'), ('Close', 'Fiyat'), label="VESTL").opts(width=700, height = 400, show_grid=True)
