In der heutigen Welt ist die Arbeit mit Zeitreihendaten eine wesentliche Fähigkeit für einen Entwickler. Eine der häufigsten Aufgaben besteht darin, einen Zeitstempel in einen bestimmten Zeitraum umzuwandeln, z. B. wöchentliche oder monatliche Daten. Dieser Vorgang ist entscheidend für verschiedene Analysen, wie z. B. die Untersuchung von Trends und Mustern in Daten. In diesem Artikel werden wir untersuchen, wie man in einem Zeitreihen-Dataset mit der leistungsstarken Python-Bibliothek Pandas einen Zeitstempel in einen Zeitraum umwandelt. Wir werden auch tief in den Code eintauchen, die am Prozess beteiligten Bibliotheken und Funktionen untersuchen und ihre Bedeutung für die Lösung dieses Problems verstehen.
Pandas ist eine Open-Source-Datenanalyse- und -manipulationsbibliothek, die flexible und leistungsstarke Funktionen für die Arbeit mit Zeitreihendaten bietet. Es macht unsere Aufgabe einfach, genau und effizient.
Die Lösung zum Konvertieren von Zeitstempeldaten in einen bestimmten Zeitraum, z. B. wöchentlich oder monatlich, umfasst die Verwendung der Resampling-Methode der Pandas-Bibliothek. Resampling ist ein leistungsstarkes Werkzeug, das für Zeitstempeldaten oder Zeitreihendaten verwendet werden kann, um die Datenpunkte entweder hoch- oder herunterzurechnen. In diesem Fall sampeln wir die Datenpunkte herunter, um die gewünschten Perioden zu erstellen.
Schauen wir uns nun die Schritt-für-Schritt-Erklärung des Codes an:
1. Importieren Sie die erforderlichen Bibliotheken:
import pandas as pd import numpy as np
2. Erstellen Sie einen Beispieldatenrahmen mit einem Zeitstempelindex:
date_rng = pd.date_range(start='1/1/2020', end='1/10/2020', freq='D')
df = pd.DataFrame(date_rng, columns=['date'])
df['data'] = np.random.randint(0,100,size=(len(date_rng)))
df.set_index('date', inplace=True)
3. Resampling der Zeitreihendaten und Konvertieren der Zeitstempeldaten in Perioden:
df_period = df.resample('W').sum()
4. Drucken Sie den resultierenden Datenrahmen:
print(df_period)
Der letzte Datenrahmen `df_period` enthält die Summe der ursprünglichen Daten, aggregiert nach Woche.
**Die verwendeten Bibliotheken und Funktionen verstehen**
Pandas-Bibliothek
Pandas ist eine weit verbreitete Python-Bibliothek zur Datenmanipulation und -analyse. Es bietet High-Level-Datenstrukturen wie Series und DataFrame, die es Entwicklern ermöglichen, Vorgänge wie Zusammenführen, Umformen und Bereinigen schnell und effizient durchzuführen. In unserem Fall hilft Pandas beim effektiven Umgang mit Zeitstempeldaten und bietet wertvolle Funktionen wie resample() zum Konvertieren von Zeitstempeldaten in Perioden.
Resample-Funktion
Das neu abtasten () Funktion in Pandas ist eine praktische Methode zur Frequenzumwandlung und zum Resampling von Zeitreihendaten. Es bietet viele Optionen für die Datenaggregation oder das Downsampling, einschließlich Summe, Mittelwert, Median, Modus und andere benutzerdefinierte Funktionen. Wir verwenden diese Funktion, um unsere Zeitstempeldaten in einen wöchentlichen Zeitraum umzuwandeln, indem wir die Resampling-Häufigkeit als „W“ angeben. Sie können auch „M“ für monatlich, „Q“ für vierteljährlich usw. verwenden.
Nachdem wir nun die Funktionalität von Pandas und die Resample-Funktion zum Konvertieren von Zeitstempeln in Periodendaten untersucht haben, können wir zeitkritische Daten auf sinnvollere Weise handhaben. Mit Hilfe dieser Tools können Entwickler, Datenanalysten und SEO-Spezialisten einzigartige Erkenntnisse aus ihren Daten gewinnen und so bessere Entscheidungen und Vorhersagen treffen.
