Upsample și interpolare cu .resample()

Manipularea datelor de tip serie de timp în Python

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

Metode de conversie și transformare a frecvenței

.resample(): similar cu .groupby()
Grupează datele în perioada de reesantionare și aplică una sau mai multe metode fiecărui grup
Noua dată este determinată de offset - început, sfârșit etc.
Upsample: completare din date existente sau interpolare
Downsample: aplicarea agregării pe datele existente

Introducere: rata lunară a șomajului

unrate = pd.read_csv('unrate.csv', parse_dates['Date'], index_col='Date')

unrate.info()

DatetimeIndex: 208 entries, 2000-01-01 to 2017-04-01
Data columns (total 1 columns):
UNRATE    208 non-null float64 # no frequency information
dtypes: float64(1)

unrate.head()

            UNRATE
DATE
2000-01-01     4.0
2000-02-01     4.1
2000-03-01     4.0
2000-04-01     3.8
2000-05-01     4.0

Data raportării: prima zi a lunii

Perioadă de reesantionare și offset-uri de frecvență

Resample creează o nouă dată pentru offset-ul de frecvență
Mai multe alternative față de sfârșitul lunii calendaristice

Frecvență	Alias	Dată eșantion
Sfârșitul lunii calendaristice	M	2017-04-30
Începutul lunii calendaristice	MS	2017-04-01
Sfârșitul lunii lucrătoare	BM	2017-04-28
Începutul lunii lucrătoare	BMS	2017-04-03

Logica reesantionării

Atribuirea frecvenței cu .resample()

unrate.asfreq('MS').info()

DatetimeIndex: 208 entries, 2000-01-01 to 2017-04-01
Freq: MS
Data columns (total 1 columns):
UNRATE    208 non-null float64
dtypes: float64(1)

unrate.resample('MS') # creates Resampler object

DatetimeIndexResampler [freq=<MonthBegin>, axis=0, closed=left, 
                        label=left, convention=start, base=0]

Atribuirea frecvenței cu .resample()

unrate.asfreq('MS').equals(unrate.resample('MS').asfreq())

True

.resample(): returnează date doar la apelarea unei alte metode

Creșterea trimestrială reală a PIB

gdp = pd.read_csv('gdp.csv')

gdp.info()

DatetimeIndex: 69 entries, 2000-01-01 to 2017-01-01
Data columns (total 1 columns):
gpd    69 non-null float64 # no frequency info
dtypes: float64(1)

gdp.head(2)

            gpd
DATE
2000-01-01  1.2
2000-04-01  7.8

Interpolarea creșterii lunare reale a PIB

gdp_1 = gdp.resample('MS').ffill().add_suffix('_ffill')

       gpd_ffill
DATE
2000-01-01  1.2
2000-02-01  1.2
2000-03-01  1.2
2000-04-01  7.8

Interpolarea creșterii lunare reale a PIB

gdp_2 = gdp.resample('MS').interpolate().add_suffix('_inter')

            gpd_inter
DATE
2000-01-01  1.200000
2000-02-01  3.400000
2000-03-01  5.600000
2000-04-01  7.800000

.interpolate(): calculează puncte pe dreapta dintre datele existente

Concatenarea a două DataFrame-uri

df1 = pd.DataFrame([1, 2, 3], columns=['df1'])

df2 = pd.DataFrame([4, 5, 6], columns=['df2'])

pd.concat([df1, df2])

   df1  df2
0  1.0  NaN
1  2.0  NaN
2  3.0  NaN
0  NaN  4.0
1  NaN  5.0
2  NaN  6.0

Concatenarea a două DataFrame-uri

pd.concat([df1, df2], axis=1)

   df1  df2
0    1    4
1    2    5
2    3    6

axis=1: concatenare orizontală

Vizualizarea creșterii reale interpolate a PIB

pd.concat([gdp_1, gdp_2], axis=1).loc['2015':].plot()

Upsample și interpolarea creșterii reale a PIB

Combinarea creșterii PIB și a șomajului

pd.concat([unrate, gdp_inter], axis=1).plot();

Creșterea PIB și rata șomajului combinate

Să exersăm!

Manipularea datelor de tip serie de timp în Python