La xaliyay: pandas gadaal ayaa buuxsamay ka dib kor u qaadista

Dunida maanta, wax-is-daba-marinta xogta iyo falanqaynta ayaa lama huraan u ah fahamka ifafaale kala duwan iyo qaadashada go'aanno xog ogaal ah. Mid ka mid ah hawlaha caadiga ah ee falanqaynta xogta ayaa ah dib u habeynta xogta taxanaha wakhtiga, taas oo ku lug leh bedelida inta jeer ee xogta, iyada oo la kordhinayo (kordhinta inta jeer) ama hoos u dhigista (yaraynta soo noqnoqda). Maqaalkan, waxaan ka wada hadli doonaa habka dib u buuxinta iyadoo la kordhinayo xogta taxanaha wakhtiga iyadoo la adeegsanayo maktabadda Python ee xoogga badan, Pandas.

Dib u Buuxi Xogta Taxanaha Wakhtiga

Marka aan kor u qaadno xogta taxanaha wakhtiga, waxaanu kordhinaa inta jeer ee dhibcaha xogta, taas oo inta badan keenta qiimaha maqan ee dhibcaha xogta cusub ee la abuuray. Si loo buuxiyo qiimayaasha maqan, waxaan isticmaali karnaa habab kala duwan. Mid ka mid ah habkan ayaa loo yaqaan dib u buuxin, oo loo yaqaano sida dib u buuxin. Buuxinta gadaale waa habka buuxinta qiyamka maqan qiimaha xiga ee la heli karo ee taxanaha wakhtiga.

Pandas Library

Python's Pandas maktabadda waa qalab lagama maarmaan u ah wax-is-dabamarinta xogta, oo bixisa hawlo badan oo kala duwan oo loogu talagalay maaraynta qaababka xogta sida DataFrames iyo xogta taxanaha wakhtiga. Pandas waxa ay leedahay sifooyin gudaha ku dhex jira oo sahlaya in lagu shaqeeyo xogta taxanaha wakhtiga, sida dib u qaabaynta iyo buuxinta qiyamka maqan, taas oo awood noo siinaysa in aanu si hufan u fulino buuxinta gadaasha ka dib marka la soo saaro.

Xalka: Dib u Buuxi Pandas

Si loo muujiyo habka loo codsado buuxinta gadaal ka dib markii la kordhiyo xogta taxanaha wakhtiga iyadoo la isticmaalayo Pandas, aynu ka fiirsanno tusaale fudud. Waxaan ku bilaabi doonaa soo dejinta maktabadaha lagama maarmaanka ah iyo abuurista muunad waqti taxane ah xog ururinta.

import pandas as pd
import numpy as np

# Create a sample time series dataset
date_rng = pd.date_range(start='2022-01-01', end='2022-01-10', freq='D')
data = np.random.randint(0, 100, size=(len(date_rng), 1))

df = pd.DataFrame(date_rng, columns=['date'])
df['value'] = data

Hadda oo aanu hayno xogtayada muunada ah, waxaanu sii wadi doonaa samaynta iyo adeegsiga habka buuxinta gadaal. Tusaalahan, waxaanu ka soo qaadan doonaa inta jeer ee maalinlaha ah ilaa inta jeer ee saacadii ah:

# Upsample the data to hourly frequency
df.set_index('date', inplace=True)
hourly_df = df.resample('H').asfreq()

# Apply the backward fill method to fill missing values
hourly_df.fillna(method='bfill', inplace=True)

Koodhka kore, waxaan marka hore u dejinay tiirka 'taariikhda' sida tusmada ka dibna waxaan dib u qaabaynnay xogta inta jeer ee saacaddii ah annagoo adeegsanayna tusaale() shaqayn DataFrame-ka soo baxay wuxuu leeyahay qiimayaal maqan sababtoo ah soo noqnoqoshada kordhay. Waxaan markaa isticmaalnay fillna() hab leh cabbirka 'bfill' si loo sameeyo dib u buuxinta qiyamka maqan.

Sharaxa tallaabo-tallaabo

Aan jebinno koodka si aan si ka sii wanaagsan u fahanno:

1. Waxaan marka hore keennay Pandas iyo maktabadaha NumPy:

   import pandas as pd
   import numpy as np
   

2. Waxa aanu samaynay muunad xog taxane ah oo wakhti ah anagoo adeegsanayna date_kala duwan () Ka shaqee Pandas si ay u soo saarto taariikho maalinle ah iyo qiimayaal tiro aan toos ahayn:

   date_rng = pd.date_range(start='2022-01-01', end='2022-01-10', freq='D')
   data = np.random.randint(0, 100, size=(len(date_rng), 1))
   df = pd.DataFrame(date_rng, columns=['date'])
   df['value'] = data
   

3. Marka xigta, waxaan u dhignay tiirka 'taariikhda' sida tusaha oo waxaan dib u miisaamay xogta inta jeer ee saacadii ah tusaale() iyo asfreq() howlaha:

   df.set_index('date', inplace=True)
   hourly_df = df.resample('H').asfreq()
   

4. Ugu dambeyntii, waxaan ku buuxinay qiyamka maqan ee DataFrame-ka la qaaday anagoo adeegsanayna fillna() habka leh cabbirka 'bfill' ee buuxinta gadaal:

   hourly_df.fillna(method='bfill', inplace=True)
   

Ugu Dambeyn

In this article, waxaan sahminay habka of dib u buuxinta ka dib kobcinta xogta taxanaha wakhtiga iyadoo la isticmaalayo maktabadda Pandas ee xoogga badan ee Python. Fahamka iyo hirgelinta farsamooyinkan, waxaan si hufan u maareyn karnaa oo u falanqeyn karnaa xogta taxanaha waqtiga, ogaanta fikradaha qiimaha leh iyo qaadashada go'aamo xog ogaal ah.