Witamy na kursie!

Wizualizacja danych szeregów czasowych w Pythonie

Thomas Vincent

Head of Data Science, Getty Images

Wymagania wstępne

Szeregi czasowe w Data Science

Szeregi czasowe to podstawowy sposób przechowywania i analizowania wielu rodzajów danych
Dane finansowe, pogodowe i z urządzeń najlepiej obsługiwać jako szeregi czasowe

Szeregi czasowe w Data Science

Przykład danych szeregu czasowego

Przegląd kursu

Rozdział 1: Pierwsze kroki i personalizacja wykresu szeregu czasowego
Rozdział 2: Podsumowywanie i opisywanie danych szeregów czasowych
Rozdział 3: Zaawansowana analiza szeregów czasowych
Rozdział 4: Praca z wieloma szeregami czasowymi
Rozdział 5: Studium przypadku

Wczytywanie danych w 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

Podgląd danych w 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

Sprawdzanie typów danych w Pandas

print(df.dtypes)

datestamp     object
co2          float64
dtype: object

Praca z datami

Aby pracować z danymi szeregów czasowych w pandas, kolumny z datami muszą być typu 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)

Zaczynajmy!

Wizualizacja danych szeregów czasowych w Pythonie