叠加线状图和面积图:在时间序列中添加衰退条

Question

我正在尝试使用Python从FRED：https://fred.stlouisfed.org/series/LABSHPUSA156NRUG中重建一个时间序列图。然而，我无法得到一个清晰的数字，其中的时间序列被覆盖的面积图代表衰退条。

我对python非常陌生，所以很难找到我的尝试不起作用的一个简单原因。

我尝试过这两种方法。

我的第一次尝试是这样的：

fig, ax = plt.subplots()
ls_data.plot.line(ax=ax, figsize=(8,5), x='Date', color=blue)
rec_data.plot.area(ax=ax, figsize=(8,5), x='Date', alpha=0.5, color=gray)
plt.ylim(0.59,0.65)

并产生以下令人困惑的混乱：

我的第二次尝试是"ax2 = ax1.twinx()“路由

fig, ax1 = plt.subplots()
ax2 = ax1.twinx()

ls_data.plot.line(figsize=(8,5), x='Date', color=blue)
rec_data.plot.area(figsize=(8,5), x='Date', alpha=0.5, color=gray)

然而，这却产生了两个不同的数字。

一个可能的问题是，劳动力份额的x值是在个别年份绘制的，而经济衰退的x值是在几个月内绘制的。但是根据第二次尝试，看起来这些图形应该能很好地覆盖起来，但是我很容易得到与我第一次尝试中相同的结果。经济衰退数据的转变能否提供一个解决办法？

编辑:经济衰退日期的数据可以在这里找到。https://fred.stlouisfed.org/series/USREC#:~:text=For%20daily%20data%2C%20the%20recession，%20个月%20%20%20低谷。

Answer 1

使用FRED提供的数据进行劳动数据和衰退数据以及对代码的轻微调整，我想我得到了您想要的结果：

import pandas as pd
import matplotlib.pyplot as plt

# read in data
rec_data = pd.read_csv("USREC.csv")
ls_data = pd.read_csv("LABSHPUSA156NRUG.csv")

# make sure date columns are actual dates
rec_data["DATE"] = pd.to_datetime(rec_data["DATE"])
ls_data["DATE"] = pd.to_datetime(ls_data["DATE"])

# create plot
fig, ax = plt.subplots()
ls_data.plot.line(ax=ax, figsize=(8, 5), x='DATE', color="blue")
rec_data.plot.area(ax=ax, figsize=(8, 5), x='DATE', alpha=0.5, color="gray")
plt.xlim("1950-01-01", "2020-01-01")
plt.ylim(0.58, 0.65)

Answer 2

看来奥克斯博尔斯的答案有问题，所以我想提供一个替代方案。衰退数据是月度数据，而劳动力市场数据是年度数据:为了解决这一差异，我将年度数据重新整理为月度数据，用简单的平均值进行插值，合并数据并绘制图表。随着数据在相同的日期合并，奇怪的视觉伪影消失。

1.问题

为了了解Oxbowerce方法的问题，让我们为一个更小的数据样本创建一个图。使用奥克斯博尔斯的代码，但在2007-2009年放大：

衰退线不是垂直的！

2.一个解决方案

也许有一个pandas的解决方案，可以在不同的频率上无缝地绘制数据，而没有上面的奇怪的伪影，但我不知道，所以我走了很长的路，重新整理数据。

2a:前向填充“.ffill()”

每月重采样

dy = df.set_index('DATE').resample('M').ffill().reset_index()
d1 = pd.merge(dr, dy, left_index=True, right_index=True, suffixes=("", "_y")).drop(labels='DATE_y', axis=1)

中间产物：

如今，劳动力市场的数据似乎参差不齐。所以我们插值。

'.mean().interpolate('linear')' 2b：

2b:每月重采样# interpolate data | MS='Month Start', default is M=ME='Month End' di = df.set_index('DATE').resample('1MS').mean().interpolate('linear').reset_index() d2 = pd.merge(dr, di, left_index=True, right_index=True, suffixes=("", "_y")).drop(labels='DATE_y', axis=1)

最终产品：

绘制衰退地区的代码：

# convenience function
def plot_series(ax, df, index, cols, area, **kwargs):
    # convert area variable to boolean
    df[area] = df[area].astype(int).astype(bool)
    # set up an index based on date
    df = df.set_index(keys=index, drop=False)
    # line plot
    df.plot(ax=ax, x=index, y=cols, **kwargs)
    # extract limits
    y1, y2 = ax.get_ylim()
    ax.fill_between(df[index].index, y1=y1, y2=y2, where=df[area], facecolor='grey', alpha=0.4)
    return ax

# plot resampled data with method='ffill'
f, ax = plt.subplots()
plot_series(ax, d1, index='DATE', cols='LABSHPUSA156NRUG', area='USREC')
ax.grid(True)
plt.show()

# plot resampled data with .mean().interpolate('linear')
f, ax = plt.subplots()
plot_series(ax, d2, index='DATE', cols='LABSHPUSA156NRUG', area='USREC')
ax.grid(True)
plt.show()