Bem-vindo/a ao curso!

Visualizing Time Series Data in Python

Thomas Vincent

Head of Data Science, Getty Images

Pré-requisitos

Séries temporais em Data Science

Séries temporais são fundamentais para armazenar e analisar muitos tipos de dados
Dados financeiros, meteorológicos e de dispositivos funcionam melhor como séries temporais

Séries temporais em Data Science

Um exemplo de dados de séries temporais

Visão geral do curso

Capítulo 1: Começando e personalizando seu primeiro gráfico de série temporal
Capítulo 2: Resumindo e descrevendo dados de séries temporais
Capítulo 3: Análise avançada de séries temporais
Capítulo 4: Trabalhando com múltiplas séries temporais
Capítulo 5: Estudo de caso

Lendo dados com Pandas

import pandas as pd

df = pd.read_csv('ch2_co2_levels.csv')
print(df)

       datestamp    co2
0     1958-03-29  316.1
1     1958-04-05  317.3
2     1958-04-12  317.6
...
...
...
2281  2001-12-15  371.2
2282  2001-12-22  371.3
2283  2001-12-29  371.5

Pré-visualizar dados com Pandas

print(df.head(n=5))

    datestamp    co2
0  1958-03-29  316.1
1  1958-04-05  317.3
2  1958-04-12  317.6
3  1958-04-19  317.5
4  1958-04-26  316.4

print(df.tail(n=5))

       datestamp    co2
2279  2001-12-01  370.3
2280  2001-12-08  370.8
2281  2001-12-15  371.2
2282  2001-12-22  371.3
2283  2001-12-29  371.5

Verificar tipos de dados com Pandas

print(df.dtypes)

datestamp     object
co2          float64
dtype: object

Trabalhando com datas

Para trabalhar com séries temporais no pandas, as colunas de data precisam ser do tipo datetime64.

pd.to_datetime(['2009/07/31', 'test'])

ValueError: Unknown string format

pd.to_datetime(['2009/07/31', 'test'], errors='coerce')

DatetimeIndex(['2009-07-31', 'NaT'], 
    dtype='datetime64[ns]', freq=None)

Vamos começar!

Visualizing Time Series Data in Python