Mūsdienu pasaulē darbs ar laikrindu datiem ir būtiska izstrādātāja prasme. Viens no izplatītākajiem uzdevumiem ir laika zīmoga konvertēšana uz noteiktu periodu, piemēram, nedēļas vai mēneša datus. Šī darbība ir ļoti svarīga dažādām analīzēm, piemēram, tendenču un datu modeļu izpētei. Šajā rakstā mēs izpētīsim, kā laika rindu datu kopā pārvērst laikspiedolu par periodu, izmantojot jaudīgo Python bibliotēku Pandas. Mēs arī dziļi iedziļināsimies kodā, izpētīsim procesā iesaistītās bibliotēkas un funkcijas un sapratīsim to nozīmi šīs problēmas risināšanā.
Pandas ir atvērtā koda datu analīzes un manipulāciju bibliotēka, kas nodrošina elastīgas un augstas veiktspējas funkcijas darbam ar laikrindu datiem. Tas padara mūsu uzdevumu vienkāršu, precīzu un efektīvu.
Risinājums laika zīmogu datu konvertēšanai uz noteiktu periodu, piemēram, nedēļu vai mēnesi, ietver Pandas bibliotēkas atkārtotas izlases metodes izmantošanu. Resampling ir spēcīgs rīks, ko var izmantot laikspiedolu datiem vai laikrindu datiem, lai palielinātu vai samazinātu datu punktu izlasi. Šādā gadījumā mēs noņemsim datu punktu izlasi, lai izveidotu vēlamos periodus.
Tagad apskatīsim soli pa solim sniegto koda skaidrojumu:
1. Importējiet nepieciešamās bibliotēkas:
import pandas as pd import numpy as np
2. Izveidojiet datu rāmja paraugu ar laikspiedola indeksu:
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. Atkārtoti iztveriet laikrindu datus un konvertējiet laikspiedolu datus periodos:
df_period = df.resample('W').sum()
4. Izdrukājiet iegūto datu rāmi:
print(df_period)
Galīgajā datu ietvarā “df_period” ir ietverta sākotnējo datu summa, kas apkopota pa nedēļām.
**Izpratne par izmantotajām bibliotēkām un funkcijām**
Pandas bibliotēka
Pandas ir plaši izmantota Python bibliotēka datu manipulācijām un analīzei. Tas nodrošina augsta līmeņa datu struktūras, piemēram, Series un DataFrame, ļaujot izstrādātājiem ātri un efektīvi veikt tādas darbības kā sapludināšana, pārveidošana un tīrīšana. Mūsu gadījumā Pandas palīdz efektīvi apstrādāt laikspiedolu datus un nodrošina tādas vērtīgas funkcijas kā resample(), lai pārveidotu laikspiedolu datus par periodiem.
Resample funkcija
Jūsu darbs IR Klientu apkalpošana resample () funkcija Pandas ir ērta metode frekvences pārveidošanai un laikrindu datu atkārtotai paraugu ņemšanai. Tas nodrošina daudzas datu apkopošanas vai samazināšanas iespējas, tostarp summas, vidējo, vidējo, režīmu un citas lietotāja definētas funkcijas. Mēs izmantojam šo funkciju, lai pārveidotu savus laikspiedolu datus par nedēļas periodu, norādot atkārtotas paraugu ņemšanas biežumu kā “W”. Varat arī izmantot “M” mēnesim, “Q” ceturksnim un tā tālāk.
Tagad, kad esam izpētījuši Pandas funkcionalitāti un resample funkciju, lai pārveidotu laikspiedolu perioda datos, mēs varam viegli apstrādāt laika ziņā jutīgus datus jēgpilnākā veidā. Izmantojot šos rīkus, izstrādātāji, datu analītiķi un SEO speciālisti var iegūt unikālu ieskatu no saviem datiem, palīdzot pieņemt labākus lēmumus un prognozes.
