Chào mừng đến với khóa học!

Trực quan hóa dữ liệu chuỗi thời gian trong Python

Thomas Vincent

Head of Data Science, Getty Images

Yêu cầu tiên quyết

Chuỗi thời gian trong lĩnh vực Khoa học dữ liệu

Chuỗi thời gian là cách cốt lõi để lưu trữ và phân tích nhiều loại dữ liệu
Dữ liệu tài chính, thời tiết và thiết bị đều phù hợp nhất khi xử lý dưới dạng chuỗi thời gian

Chuỗi thời gian trong lĩnh vực Khoa học dữ liệu

Một ví dụ về dữ liệu chuỗi thời gian

Tổng quan khóa học

Chương 1: Bắt đầu và cá nhân hóa biểu đồ chuỗi thời gian đầu tiên
Chương 2: Tóm tắt và mô tả dữ liệu chuỗi thời gian
Chương 3: Phân tích chuỗi thời gian nâng cao
Chương 4: Làm việc với nhiều chuỗi thời gian
Chương 5: Nghiên cứu tình huống

Đọc dữ liệu với 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

Xem nhanh dữ liệu với 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

Kiểm tra kiểu dữ liệu với Pandas

print(df.dtypes)

datestamp     object
co2          float64
dtype: object

Làm việc với ngày tháng

Để làm việc với dữ liệu chuỗi thời gian trong pandas, cột ngày của bạn cần có kiểu 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)

Bắt đầu thôi!

Trực quan hóa dữ liệu chuỗi thời gian trong Python