時空序列ConvLSTM模型-預測結果解讀與視覺化(2/2)

2024 iThome 鐵人賽

DAY 25

Python

時空序列分析-關鍵籌碼分析系列第 25 篇

16th鐵人賽 day25 時空序列分析-關鍵籌碼分析

decent_bo_yan

2024-08-25 23:34:08

207 瀏覽

分享至

今天來把最後分析完成，

單純只看文字和地址，還是很難聯想，那我們就把這些地址都視覺化吧!

同樣用到 DAY14提到的`matplotlib`和`folium`兩種工具:

import joblib

model = joblib.load("trainModel_0823_ver3.joblib") 
predictions = model.predict(combined_data_test)

如果工作時間重設了，或是電腦重開了，就需要上面這步驟，讀取儲存的模型
(這就是為什麼要把辛苦訓練的模型存起來..不然每次都要等訓練多累)
(訓練模型前的變數，其實都需要再跑一次，尤其是那個 combined_data_test )

1.讀取 `lat_lng_New.xlsx`，並篩選出預測買超前10、賣超前10名的這些券商的經緯度。

import pandas as pd
import numpy as np
import folium
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm

讀下面這個檔案，是為了抓這些券商的地址經緯度

lat_lng_df = pd.read_excel('E:/時空資料分析/關鍵分點籌碼分析_實測/lat_lng_New.xlsx')

接續把昨天的模型預測結果拿來畫圖:

# 讀取預測結果
results = pd.DataFrame({
    '索引': idx_test,
    '券商代碼': df.index[idx_test],
    '預測值': predictions.flatten(),
    '實際值': y_test
})

# 列出排序過後，預測買超前10名，和賣超前10的券商分點
top_10_max = results.nlargest(10, '預測值')
top_10_min = results.nsmallest(10, '預測值')

# 在lat_lng_New.xlsx找出這前20名券商分點
top_10_brokers = pd.concat([top_10_max, top_10_min])
selected_brokers = lat_lng_df[lat_lng_df['券商代碼'].isin(top_10_brokers['券商代碼'])]

2.在Folium 互動式地圖中特別標記出這買、賣超前10名的券商分點，還有標記其他券商

# 地圖初始化，設定初始位置和縮放等級
taiwan_map = folium.Map(location=[23.5, 121], zoom_start=7)

# 把普通券商分點的位置標記到到地圖上
for index, row in lat_lng_df.iterrows():
    folium.Marker(
        location=[row['lat'], row['lng']],
        popup=f"券商代碼: {row['券商代碼']}",
        icon=folium.Icon(color='blue', icon='info-sign')
    ).add_to(taiwan_map)

# 用兩種不同顏色格外標記，把這買、賣超前10名的券商分點也標記到地圖上
# 買超為red，賣超為green
for index, row in selected_brokers.iterrows():
    color = 'red' if row['券商代碼'] in top_10_max['券商代碼'].values else 'green'
    folium.Marker(
        location=[row['lat'], row['lng']],
        popup=f"券商代碼: {row['券商代碼']}",
        icon=folium.Icon(color=color, icon='info-sign')
    ).add_to(taiwan_map)

# 存成html互動式網頁
taiwan_map.save('taiwan_brokers_MinMax10map.html')

點開存好的網頁，打開就會看到這樣有格外標記的地圖(如下圖)

3.在 Matplotlib 圖中特別標記出這買、賣超前10名的券商分點，還有標記其他券商

# 建立靜態圖像
plt.figure(figsize=(10, 10))

# 設置字體
zhfont = fm.FontProperties(fname=r'C:\Windows\Fonts\kaiu.ttf')
plt.rcParams['font.family'] = zhfont.get_name()

# 所有券商分點位置的散佈圖
plt.scatter(lat_lng_df['lng'], lat_lng_df['lat'], c='blue', marker='o', label='其他券商位置')

# 買、賣超前10名的券商分點位置，一樣紅、綠色分別標記
plt.scatter(selected_brokers['lng'], selected_brokers['lat'],
            c=np.where(selected_brokers['券商代碼'].isin(top_10_max['券商代碼']), 'red', 'green'),
            marker='o', label='前10大和前10小券商位置')

# 把這買、賣超前10名分點的券商代碼標註出來台
for i, txt in enumerate(selected_brokers['券商代碼']):
    plt.annotate(txt, (selected_brokers['lng'].iloc[i], selected_brokers['lat'].iloc[i]), textcoords="offset points", xytext=(0, 10), ha='center')

# 標題和軸的名稱
plt.title('券商位置分布', fontproperties=zhfont)
plt.xlabel('經度 (lng)', fontproperties=zhfont)
plt.ylabel('緯度 (lat)', fontproperties=zhfont)

# 顯示圖例(在左下角)
plt.legend(loc='lower left', frameon=True)
plt.show()

# 儲存圖像
plt.savefig('broker_locations.png')