如何用Python绘制带置信区间的时间序列及趋势聚焦图

嘿，我来帮你搞定这两个时间序列绘图的问题！

要实现这个需求，我们通常结合matplotlib绘图，用scipy计算置信区间，或者用seaborn的内置函数简化操作，下面分两种方法演示：

方法一：手动计算置信区间 + Matplotlib绘制 #

步骤很直观：

• 先准备时间序列数据，计算每个时间点的均值（如果是多组重复观测的序列）或滚动置信区间（单序列场景）
• 用scipy.stats.t.interval计算95%置信区间（小数据用t分布，大数据用正态分布也可）
• 用plt.plot画均值线，plt.fill_between填充置信区间的条带

示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# 生成模拟数据：5组带趋势+噪声的重复时间序列，共100个时间点
np.random.seed(42)
time = np.arange(100)
data = np.array([10 + 0.1*time + np.random.normal(0, 1, size=100) for _ in range(5)])

# 计算每个时间点的均值和95%置信区间
mean_vals = np.mean(data, axis=0)
std_vals = np.std(data, axis=0, ddof=1)
n = data.shape[0]
conf_interval = stats.t.interval(0.95, df=n-1, loc=mean_vals, scale=std_vals/np.sqrt(n))

# 绘图
plt.figure(figsize=(10,6))
plt.plot(time, mean_vals, label='均值', color='darkblue')
plt.fill_between(time, conf_interval[0], conf_interval[1], color='lightblue', alpha=0.3, label='95%置信区间')
plt.xlabel('时间')
plt.ylabel('数值')
plt.title('带95%置信区间的时间序列')
plt.legend()
plt.show()

方法二：用Seaborn快速绘制 #

Seaborn的lineplot自带ci参数，直接指定置信区间（比如ci=95）就能快速可视化，非常省心：

import seaborn as sns
import pandas as pd

# 转换数据格式适配Seaborn
df = pd.DataFrame(data.T, columns=[f'组{i+1}' for i in range(5)])
df['时间'] = time
df_long = pd.melt(df, id_vars='时间', var_name='组', value_name='数值')

# 绘图
plt.figure(figsize=(10,6))
sns.lineplot(data=df_long, x='时间', y='数值', ci=95, label='均值+95%置信区间')
plt.xlabel('时间')
plt.ylabel('数值')
plt.title('Seaborn快速绘制带置信区间的时间序列')
plt.legend()
plt.show()

你的数据是缓慢增长但短期波动剧烈，想要突出整体趋势的话，**滚动窗口（Rolling Window）**是绝佳方案——我们可以计算每个窗口内的均值来平滑短期波动，同时用窗口内的标准差（或置信区间）作为波动条带，代表该时段内数据的离散程度。

先处理你的示例数据，再演示实现：

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

# 生成你提供的示例数据
np.random.seed(42)
data = np.array([10 + np.random.rand() for i in range(100)] + 
                [12 + np.random.rand() for i in range(100)] + 
                [14 + np.random.rand() for i in range(100)])
time = np.arange(len(data))

# 设置滚动窗口大小：这里选10，即每10个时间点计算一次均值和标准差
window_size = 10
rolling_mean = pd.Series(data).rolling(window=window_size).mean()
rolling_std = pd.Series(data).rolling(window=window_size).std()

# 计算波动条带上下限：均值±1倍标准差（你也可以用±2倍代表95%概率范围，或替换成置信区间）
upper_band = rolling_mean + rolling_std
lower_band = rolling_mean - rolling_std

# 绘图
plt.figure(figsize=(12,7))
# 可选：用淡色绘制原始数据，对比趋势
plt.plot(time, data, color='gray', alpha=0.3, label='原始数据')
# 绘制滚动均值（核心趋势线）
plt.plot(time, rolling_mean, color='darkorange', linewidth=2, label=f'滚动均值（窗口={window_size}）')
# 填充波动条带
plt.fill_between(time, lower_band, upper_band, color='orange', alpha=0.2, label='波动范围（均值±1倍标准差）')
plt.xlabel('时间')
plt.ylabel('数值')
plt.title('聚焦趋势的时间序列（滚动均值+波动条带）')
plt.legend()
plt.show()

这里的波动条带代表对应滚动窗口内数据的离散程度：条带越宽，说明该时段短期波动越大；条带越窄，说明数据越平稳。如果想用置信区间代替标准差，只需要在滚动窗口内计算t分布的置信区间即可，方法和第一个问题类似。

内容的提问来源于stack exchange，提问作者Ștefan