Plotta aggregat av dina data

Visualisering av tidsseriedata i Python

Thomas Vincent

Head of Data Science, Getty Images

Glidande medelvärden

Inom tidsserieanalys används glidande medelvärden för flera syften:
- jämna ut kortsiktiga fluktuationer
- ta bort avvikare
- lyfta fram långsiktiga trender eller cykler.

Modellen för glidande medelvärde

co2_levels_mean = co2_levels.rolling(window=52).mean()

ax = co2_levels_mean.plot()
ax.set_xlabel("Date")
ax.set_ylabel("The values of my Y axis")
ax.set_title("52 weeks rolling mean of my time series")

plt.show()

Graf över glidande medelvärde för CO2-data

Glidande medelvärde för en tidsserie

Beräkna aggregerade värden för din tidsserie

co2_levels.index

DatetimeIndex(['1958-03-29', '1958-04-05',...],
              dtype='datetime64[ns]', name='datestamp', 
              length=2284, freq=None)

print(co2_levels.index.month)

array([ 3,  4,  4, ..., 12, 12, 12], dtype=int32)

print(co2_levels.index.year)

array([1958, 1958, 1958, ..., 2001,
      2001, 2001], dtype=int32)

Plotta aggregerade värden för din tidsserie

index_month = co2_levels.index.month
co2_levels_by_month = co2_levels.groupby(index_month).mean()
co2_levels_by_month.plot()

plt.show()

Plotta aggregerade värden för din tidsserie

Månadsaggregat för CO2-nivådata

Nu kör vi en övning!

Visualisering av tidsseriedata i Python