В современном мире работа с данными временных рядов является важным навыком для разработчика. Одной из распространенных задач является преобразование метки времени в определенный период, например данные за неделю или месяц. Эта операция имеет решающее значение для различных анализов, таких как изучение тенденций и закономерностей в данных. В этой статье мы рассмотрим, как преобразовать метку времени в период в наборе данных временных рядов, используя мощную библиотеку Python, Pandas. Мы также углубимся в код, изучим библиотеки и функции, задействованные в процессе, и поймем их значение в решении этой задачи.
Pandas — это библиотека анализа и обработки данных с открытым исходным кодом, которая предоставляет гибкие и высокопроизводительные функции для работы с данными временных рядов. Это делает нашу задачу простой, точной и эффективной.
Решение для преобразования данных метки времени в определенный период, например еженедельно или ежемесячно, включает использование метода передискретизации библиотеки Pandas. Повторная выборка — это мощный инструмент, который можно использовать с данными временных меток или данными временных рядов для повышения или понижения дискретизации точек данных. В этом случае мы прорежим выборку точек данных, чтобы создать нужные периоды.
Теперь давайте рассмотрим пошаговое объяснение кода:
1. Импортируйте необходимые библиотеки:
import pandas as pd import numpy as np
2. Создайте образец фрейма данных с индексом временной метки:
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. Передискретизируйте данные временных рядов и преобразуйте данные меток времени в периоды:
df_period = df.resample('W').sum()
4. Распечатайте полученный кадр данных:
print(df_period)
Окончательный кадр данных df_period содержит сумму исходных данных, агрегированных за неделю.
**Понимание используемых библиотек и функций**
Библиотека панд
Pandas — это широко используемая библиотека Python для обработки и анализа данных. Он предоставляет высокоуровневые структуры данных, такие как Series и DataFrame, что позволяет разработчикам быстро и эффективно выполнять такие операции, как слияние, изменение формы и очистка. В нашем случае Pandas помогает эффективно обрабатывать данные меток времени и предоставляет полезные функции, такие как resample(), для преобразования данных меток времени в периоды.
Функция повторной выборки
Ассоциация resample () Функция в Pandas — это удобный метод преобразования частоты и повторной выборки данных временных рядов. Он предоставляет множество опций для агрегирования данных или понижения дискретизации, включая сумму, среднее значение, медиану, моду и другие определяемые пользователем функции. Мы используем эту функцию для преобразования наших данных временной метки в недельный период, указав частоту повторной выборки как «W». Вы также можете использовать «M» для ежемесячного, «Q» для ежеквартального и так далее.
Теперь, когда мы изучили функциональность Pandas и функцию повторной выборки для преобразования метки времени в данные периода, мы можем легко обрабатывать чувствительные ко времени данные более осмысленным способом. С помощью этих инструментов разработчики, аналитики данных и специалисты по поисковой оптимизации могут извлечь из своих данных уникальную информацию, помогающую им принимать более обоснованные решения и делать прогнозы.
