ಇಂದಿನ ಜಗತ್ತಿನಲ್ಲಿ, ಸಮಯ-ಸರಣಿ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು ಡೆವಲಪರ್‌ಗೆ ಅತ್ಯಗತ್ಯ ಕೌಶಲ್ಯವಾಗಿದೆ. ಸಾಪ್ತಾಹಿಕ ಅಥವಾ ಮಾಸಿಕ ಡೇಟಾದಂತಹ ನಿರ್ದಿಷ್ಟ ಅವಧಿಗೆ ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಅನ್ನು ಪರಿವರ್ತಿಸುವುದು ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಡೇಟಾದಲ್ಲಿನ ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುವಂತಹ ವಿವಿಧ ವಿಶ್ಲೇಷಣೆಗಳಿಗೆ ಈ ಕಾರ್ಯಾಚರಣೆಯು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಪ್ರಬಲ ಪೈಥಾನ್ ಲೈಬ್ರರಿ ಪಾಂಡಾಸ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸಮಯ-ಸರಣಿ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಅನ್ನು ಅವಧಿಗೆ ಪರಿವರ್ತಿಸುವುದು ಹೇಗೆ ಎಂದು ನಾವು ಅನ್ವೇಷಿಸುತ್ತೇವೆ. ನಾವು ಕೋಡ್‌ನಲ್ಲಿ ಆಳವಾದ ಡೈವ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ ಮತ್ತು ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಅವುಗಳ ಮಹತ್ವವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೇವೆ.
ಪಾಂಡಾಗಳು ಓಪನ್ ಸೋರ್ಸ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಮ್ಯಾನಿಪ್ಯುಲೇಶನ್ ಲೈಬ್ರರಿಯಾಗಿದೆ, ಇದು ಸಮಯ-ಸರಣಿ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕಾರ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದು ನಮ್ಮ ಕೆಲಸವನ್ನು ಸರಳ, ನಿಖರ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ.
ಸಾಪ್ತಾಹಿಕ ಅಥವಾ ಮಾಸಿಕದಂತಹ ನಿರ್ದಿಷ್ಟ ಅವಧಿಗೆ ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾವನ್ನು ಪರಿವರ್ತಿಸುವ ಪರಿಹಾರವು ಪಾಂಡಾಸ್ ಲೈಬ್ರರಿಯ ಮರುಹೊಂದಿಸುವ ವಿಧಾನವನ್ನು ಬಳಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಮರುಮಾದರಿ ಮಾಡುವಿಕೆಯು ಪ್ರಬಲವಾದ ಸಾಧನವಾಗಿದ್ದು, ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಅಪ್‌ಸ್ಯಾಂಪಲ್ ಮಾಡಲು ಅಥವಾ ಡೌನ್‌ಮಾಂಪಲ್ ಮಾಡಲು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾ ಅಥವಾ ಸಮಯ ಸರಣಿ ಡೇಟಾದಲ್ಲಿ ಬಳಸಬಹುದಾಗಿದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಅಪೇಕ್ಷಿತ ಅವಧಿಗಳನ್ನು ರಚಿಸಲು ನಾವು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತೇವೆ.
ಈಗ, ಕೋಡ್‌ನ ಹಂತ-ಹಂತದ ವಿವರಣೆಯನ್ನು ನೋಡೋಣ:
1. ಅಗತ್ಯ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ:
import pandas as pd import numpy as np
2. ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಇಂಡೆಕ್ಸ್‌ನೊಂದಿಗೆ ಮಾದರಿ ಡೇಟಾಫ್ರೇಮ್ ಅನ್ನು ರಚಿಸಿ:
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. ಸಮಯ-ಸರಣಿ ಡೇಟಾವನ್ನು ಮರುಮಾದರಿ ಮಾಡಿ ಮತ್ತು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾವನ್ನು ಅವಧಿಗಳಿಗೆ ಪರಿವರ್ತಿಸಿ:
df_period = df.resample('W').sum()
4. ಫಲಿತಾಂಶದ ಡೇಟಾಫ್ರೇಮ್ ಅನ್ನು ಮುದ್ರಿಸು:
print(df_period)
ಅಂತಿಮ ಡೇಟಾಫ್ರೇಮ್ `df_period` ವಾರದಿಂದ ಒಟ್ಟುಗೂಡಿಸಲಾದ ಮೂಲ ಡೇಟಾದ ಮೊತ್ತವನ್ನು ಒಳಗೊಂಡಿದೆ.
** ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಬಳಸಿದ ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು**
ಪಾಂಡಾಸ್ ಲೈಬ್ರರಿ
ಪಾಂಡಾಗಳು ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಪೈಥಾನ್ ಲೈಬ್ರರಿಯಾಗಿದೆ. ಇದು Series ಮತ್ತು DataFrame ನಂತಹ ಉನ್ನತ ಮಟ್ಟದ ಡೇಟಾ ರಚನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಡೆವಲಪರ್‌ಗಳು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ವಿಲೀನಗೊಳಿಸುವಿಕೆ, ಮರುರೂಪಿಸುವುದು ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸುವಂತಹ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಮ್ಮ ಸಂದರ್ಭದಲ್ಲಿ, ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ವಹಿಸಲು ಪಾಂಡಾಗಳು ಸಹಾಯ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾವನ್ನು ಅವಧಿಗೆ ಪರಿವರ್ತಿಸಲು ಮರುಮಾದರಿ() ನಂತಹ ಮೌಲ್ಯಯುತ ಕಾರ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಮರುಮಾದರಿ ಕಾರ್ಯ
ನಮ್ಮ ಮರು ಮಾದರಿ () ಪಾಂಡಾಸ್‌ನಲ್ಲಿನ ಕಾರ್ಯವು ಆವರ್ತನ ಪರಿವರ್ತನೆ ಮತ್ತು ಸಮಯ ಸರಣಿಯ ಡೇಟಾವನ್ನು ಮರುಹೊಂದಿಸಲು ಅನುಕೂಲಕರ ವಿಧಾನವಾಗಿದೆ. ಮೊತ್ತ, ಸರಾಸರಿ, ಸರಾಸರಿ, ಮೋಡ್ ಮತ್ತು ಇತರ ಬಳಕೆದಾರ-ವ್ಯಾಖ್ಯಾನಿತ ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಡೇಟಾ ಒಟ್ಟುಗೂಡುವಿಕೆ ಅಥವಾ ಡೌನ್‌ಸ್ಯಾಂಪ್ಲಿಂಗ್‌ಗೆ ಇದು ಹಲವು ಆಯ್ಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಮರುಮಾದರಿ ಆವರ್ತನವನ್ನು 'W' ಎಂದು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಮೂಲಕ ನಮ್ಮ ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಡೇಟಾವನ್ನು ವಾರದ ಅವಧಿಗೆ ಪರಿವರ್ತಿಸಲು ನಾವು ಈ ಕಾರ್ಯವನ್ನು ಬಳಸುತ್ತೇವೆ. ನೀವು ಮಾಸಿಕವಾಗಿ 'M' ಅನ್ನು ಬಳಸಬಹುದು, ತ್ರೈಮಾಸಿಕಕ್ಕೆ 'Q', ಇತ್ಯಾದಿ.
ಈಗ ನಾವು ಪಾಂಡಾಗಳ ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ಮತ್ತು ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ಅನ್ನು ಅವಧಿಯ ಡೇಟಾಗೆ ಪರಿವರ್ತಿಸುವ ಮರುಮಾದರಿ ಕಾರ್ಯವನ್ನು ಅನ್ವೇಷಿಸಿದ್ದೇವೆ, ನಾವು ಸಮಯ-ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಅರ್ಥಪೂರ್ಣ ರೀತಿಯಲ್ಲಿ ಸುಲಭವಾಗಿ ನಿರ್ವಹಿಸಬಹುದು. ಈ ಪರಿಕರಗಳ ಸಹಾಯದಿಂದ, ಡೆವಲಪರ್‌ಗಳು, ಡೇಟಾ ವಿಶ್ಲೇಷಕರು ಮತ್ತು ಎಸ್‌ಇಒ ತಜ್ಞರು ತಮ್ಮ ಡೇಟಾದಿಂದ ಅನನ್ಯ ಒಳನೋಟಗಳನ್ನು ಅನ್‌ಲಾಕ್ ಮಾಡಬಹುದು, ಅವರಿಗೆ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ಮತ್ತು ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
