W dzisiejszym świecie praca z danymi szeregów czasowych jest podstawową umiejętnością programisty. Jednym z typowych zadań jest konwersja znacznika czasu na określony okres, na przykład dane tygodniowe lub miesięczne. Ta operacja ma kluczowe znaczenie dla różnych analiz, takich jak badanie trendów i wzorców w danych. W tym artykule przyjrzymy się, jak przekonwertować sygnaturę czasową na kropkę w zbiorze danych szeregów czasowych przy użyciu potężnej biblioteki Pythona, Pandas. Zagłębimy się również w kod, zbadamy biblioteki i funkcje zaangażowane w proces oraz zrozumiemy ich znaczenie w rozwiązaniu tego problemu.
Pandas to biblioteka typu open source do analizy i manipulacji danymi, która zapewnia elastyczne i wydajne funkcje do pracy z danymi szeregów czasowych. Dzięki temu nasze zadanie jest proste, dokładne i wydajne.
Rozwiązanie umożliwiające konwersję danych znacznika czasu na określony okres, na przykład tygodniowy lub miesięczny, polega na użyciu metody ponownego próbkowania biblioteki Pandas. Ponowne próbkowanie to potężne narzędzie, którego można użyć do danych znaczników czasu lub danych szeregów czasowych w celu zwiększenia lub zmniejszenia próbkowania punktów danych. W takim przypadku zmniejszymy próbkowanie punktów danych, aby utworzyć żądane okresy.
Teraz spójrzmy na objaśnienie kodu krok po kroku:
1. Zaimportuj niezbędne biblioteki:
import pandas as pd import numpy as np
2. Utwórz przykładową ramkę danych z indeksem znacznika czasu:
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. Ponownie próbkuj dane szeregów czasowych i przekonwertuj dane znacznika czasu na okresy:
df_period = df.resample('W').sum()
4. Wydrukuj wynikową ramkę danych:
print(df_period)
Końcowa ramka danych `df_period` zawiera sumę oryginalnych danych zagregowanych według tygodnia.
**Zrozumienie używanych bibliotek i funkcji**
Biblioteka Pand
Pandas to powszechnie używana biblioteka Pythona do manipulacji i analizy danych. Zapewnia struktury danych wysokiego poziomu, takie jak Series i DataFrame, umożliwiając programistom szybkie i wydajne wykonywanie operacji, takich jak scalanie, przekształcanie i czyszczenie. W naszym przypadku Pandas pomaga skutecznie obsługiwać dane znaczników czasu i udostępnia cenne funkcje, takie jak resample() do konwersji danych znaczników czasu na kropki.
Funkcja ponownego próbkowania
Połączenia ponownie próbkować () Funkcja w Pandach jest wygodną metodą konwersji częstotliwości i ponownego próbkowania danych szeregów czasowych. Zapewnia wiele opcji agregacji danych lub próbkowania w dół, w tym sumę, średnią, medianę, tryb i inne funkcje zdefiniowane przez użytkownika. Używamy tej funkcji, aby przekonwertować nasze dane znacznika czasu na okres tygodniowy, określając częstotliwość ponownego próbkowania jako „W”. Możesz także użyć „M” dla miesięcznych, „Q” dla kwartalnych i tak dalej.
Teraz, gdy zbadaliśmy funkcjonalność Pand i funkcję ponownego próbkowania do konwersji znaczników czasu na dane okresowe, możemy z łatwością obsługiwać dane wrażliwe na czas w bardziej znaczący sposób. Za pomocą tych narzędzi programiści, analitycy danych i specjaliści SEO mogą wydobyć unikalne spostrzeżenia ze swoich danych, pomagając im podejmować lepsze decyzje i prognozy.
