Les tendances au fil du temps
Analyse de données exploratoires en Python
Izzy Weber
Curriculum Manager, DataCamp
Les tendances au fil du temps
divorce = pd.read_csv("divorce.csv")
divorce.head()
marriage_date marriage_duration
0 2000-06-26 5.0
1 2000-02-02 2.0
2 1991-10-09 10.0
3 1993-01-02 10.0
4 1998-12-11 7.0
Importation de données de type DateTime
- Les données DateTime doivent être explicitement déclarées à Pandas.
divorce.dtypes
marriage_date object
marriage_duration float64
dtype: object
Importation de données de type DateTime
divorce = pd.read_csv("divorce.csv", parse_dates=["marriage_date"])
divorce.dtypes
marriage_date datetime64[ns]
marriage_duration float64
dtype: object
Conversion en données DateTime
pd.to_datetime()convertit les arguments en données DateTime
divorce["marriage_date"] = pd.to_datetime(divorce["marriage_date"])
divorce.dtypes
marriage_date datetime64[ns]
marriage_duration float64
dtype: object
Création de données DateTime
divorce.head(2)
month day year marriage_duration
0 6 26 2000 5.0
1 2 2 2000 2.0
divorce["marriage_date"] = pd.to_datetime(divorce[["month", "day", "year"]])
divorce.head(2)
month day year marriage_duration marriage_date
0 6 26 2000 5.0 2000-06-26
1 2 2 2000 2.0 2000-02-02
Création de données DateTime
- Extraire des parties d'une date complète à l'aide des attributs «
dt.month», «dt.day» et «dt.year».
divorce["marriage_month"] = divorce["marriage_date"].dt.month
divorce.head()
marriage_date marriage_duration marriage_month
0 2000-06-26 5.0 6
1 2000-02-02 2.0 2
2 1991-10-09 10.0 10
3 1993-01-02 10.0 1
4 1998-12-11 7.0 12
Visualisation des tendances au fil du temps
sns.lineplot(data=divorce, x="marriage_month", y="marriage_duration")
plt.show()
![Graphique linéaire illustrant la relation entre le mois du mariage et la durée du mariage] (https://assets.datacamp.com/production/repositories/6180/datasets/65ea5213afa3bf6e1227c8d6f58c4f56b9fbf57d/marriage_lineplot.png = 45)
Passons à la pratique !
Analyse de données exploratoires en Python
