Dans le monde d'aujourd'hui, travailler avec des données de séries chronologiques est une compétence essentielle pour un développeur. L'une des tâches courantes consiste à convertir un horodatage en une période spécifique, telle que des données hebdomadaires ou mensuelles. Cette opération est cruciale pour diverses analyses, comme l'étude des tendances et des modèles dans les données. Dans cet article, nous allons explorer comment convertir l'horodatage en période dans un ensemble de données de séries chronologiques à l'aide de la puissante bibliothèque Python, Pandas. Nous approfondirons également le code, explorerons les bibliothèques et les fonctions impliquées dans le processus et comprendrons leur importance dans la résolution de ce problème.
Pandas est une bibliothèque open source d'analyse et de manipulation de données, qui fournit des fonctions flexibles et performantes pour travailler avec des données de séries chronologiques. Cela rend notre tâche simple, précise et efficace.
La solution pour convertir les données d'horodatage en une période spécifique, telle que hebdomadaire ou mensuelle, consiste à utiliser la méthode de rééchantillonnage de la bibliothèque Pandas. Le rééchantillonnage est un outil puissant qui peut être utilisé sur des données d'horodatage ou des données de séries chronologiques pour suréchantillonner ou sous-échantillonner les points de données. Dans ce cas, nous sous-échantillonnerons les points de données pour créer les périodes souhaitées.
Voyons maintenant l'explication étape par étape du code :
1. Importez les bibliothèques nécessaires :
import pandas as pd import numpy as np
2. Créez un exemple de dataframe avec un index d'horodatage :
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. Rééchantillonnez les données de séries chronologiques et convertissez les données d'horodatage en périodes :
df_period = df.resample('W').sum()
4. Imprimez la trame de données résultante :
print(df_period)
La trame de données finale "df_period" contient la somme des données d'origine agrégées par semaine.
**Comprendre les bibliothèques et les fonctions utilisées**
Bibliothèque des pandas
Pandas est une bibliothèque Python largement utilisée pour la manipulation et l'analyse de données. Il fournit des structures de données de haut niveau telles que Series et DataFrame, permettant aux développeurs d'effectuer des opérations telles que la fusion, le remodelage et le nettoyage rapidement et efficacement. Dans notre cas, Pandas aide à gérer efficacement les données d'horodatage et fournit des fonctions utiles telles que resample() pour convertir les données d'horodatage en périodes.
Fonction de rééchantillonnage
La rééchantillonner() La fonction dans Pandas est une méthode pratique pour la conversion de fréquence et le rééchantillonnage des données de séries chronologiques. Il offre de nombreuses options pour l'agrégation ou le sous-échantillonnage des données, notamment la somme, la moyenne, la médiane, le mode et d'autres fonctions définies par l'utilisateur. Nous utilisons cette fonction pour convertir nos données d'horodatage en une période hebdomadaire en spécifiant la fréquence de rééchantillonnage comme "W". Vous pouvez également utiliser « M » pour mensuel, « Q » pour trimestriel, etc.
Maintenant que nous avons exploré les fonctionnalités de Pandas et la fonction de rééchantillonnage pour convertir l'horodatage en données de période, nous pouvons facilement gérer les données sensibles au facteur temps de manière plus significative. Avec l'aide de ces outils, les développeurs, les analystes de données et les spécialistes SEO peuvent débloquer des informations uniques à partir de leurs données, les aidant à prendre de meilleures décisions et prévisions.
