如何用Pandas将多维数据转换为时间序列并绘制图表？

我有如下格式的数据：

Timestamp, Dimension, Value
t1, d1, v1
t2, d1, v2
t3, d1, v3
...
tn, d2, v4
tn+1, d2, v4
...
tm, d1, v5
...

能否通过Pandas将其转换为多组时间序列，以Timestamp为X轴、Value为Y轴绘制d1、d2……dn的图表？

更新：df.head().to_dict()的输出如下：

{'Timestamp': {0: 1696603859.706954, 1: 1696603859.707053, 2: 1696603859.707162, 3: 1696603859.707236, 4: 1696603859.707281}, 
 ' Dim': {0: 'WT', 1: 'WH-0x00', 2: 'WH-0x80', 3: 'WH-Others', 4: 'WT-0x00'}, 
 ' Value': {0: 24, 1: 1, 2: 1, 3: 1, 4: 41}, 
 ' Count': {0: 24, 1: 44, 2: 44, 3: 44, 4: 44}}

完全可以实现，以下是具体步骤：

1. 数据预处理 #

首先读入数据并清理格式，注意你的列名带有首尾空格（比如' Dim'、' Value'），需要先处理：

import pandas as pd
import matplotlib.pyplot as plt

# 读入CSV数据（如果是其他格式，替换对应读取方法）
df = pd.read_csv('your_data_file.csv')

# 清理列名，去掉首尾空格
df.columns = df.columns.str.strip()

# 将时间戳转换为可识别的datetime格式
df['Timestamp'] = pd.to_datetime(df['Timestamp'], unit='s')

2. 转换为多列时间序列格式 #

使用pivot方法把不同维度转成独立列，时间戳作为索引：

# 转换为宽格式：时间戳为索引，每个维度对应一列数值
wide_df = df.pivot(index='Timestamp', columns='Dim', values='Value')

转换后，每个维度（如WT、WH-0x00）会成为单独的列，每一行对应一个时间点的各维度数值。

3. 绘制多维度时间序列图 #

直接利用Pandas的绘图接口快速生成图表，也可以用matplotlib自定义样式：

# 绘制图表，设置画布大小和标签
wide_df.plot(figsize=(12, 6), xlabel='时间', ylabel='数值')
plt.title('各维度时间序列变化趋势')
plt.legend(title='维度')
plt.show()

补充：处理缺失值 #

如果转换后存在NaN（部分时间点某些维度无数据），可以根据需求填充，比如前向填充：

wide_df = wide_df.fillna(method='ffill')

内容的提问来源于stack exchange，提问作者avrono