Välkommen till kursen!

Visualisering av tidsseriedata i Python

Thomas Vincent

Head of Data Science, Getty Images

Förkunskaper

Tidsserier inom Data Science

Tidsserier är ett grundläggande sätt att lagra och analysera många typer av data
Finansiell data, väderdata och enhetsdata hanteras bäst som tidsserier

Tidsserier inom Data Science

Ett exempel på tidsseriedata

Kursöversikt

Kapitel 1: Kom igång och anpassa ditt första tidsserieplot
Kapitel 2: Sammanfatta och beskriv tidsseriedata
Kapitel 3: Avancerad tidsserieanalys
Kapitel 4: Arbeta med flera tidsserier
Kapitel 5: Fallstudie

Läsa data med 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

Förhandsgranska data med 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

Kontrollera datatyper med Pandas

print(df.dtypes)

datestamp     object
co2          float64
dtype: object

Arbeta med datum

För att arbeta med tidsseriedata i pandas måste datumkolumner vara av typen 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)

Nu kör vi en övning!

Visualisering av tidsseriedata i Python