Pandalarda Zaman Serisi Verileri

Bu öğreticide, Pandaları kullanarak zaman serisi verilerini nasıl yeniden örnekleyeceğinizi öğreneceksiniz . Bu eğitimin tam videosunu bu blogun alt kısmında izleyebilirsiniz .

Bu yeniden örnekleme fikri nedir? Bu, zaman serisi verileriyle ilgilidir ve yapacağımız şey, bu verilerin raporlanma sıklığını değiştirmek olacaktır. Örneğin, yıllık değeri aylık veya haftalık olarak değiştirmek veya saatlik verileri günlük olarak değiştirmek. Kısaca hiyerarşideki seviyeyi değiştiriyoruz.

Bu, daha güvenilir trendler elde etmek , örneklem büyüklükleri ve mevsimsellik gibi çeşitli nedenlerle kullanılabilir . Bazı raporlarda, hiyerarşinin bir seviyesini diğerine karşı kullanmak daha mantıklı olacaktır.

Ayrıca, farklı veri kaynaklarınız varsa ve zaman serisi verilerini birleştirmeniz gerekiyorsa, yeniden örnekleme yardımcı olabilir. Bu, hiyerarşideki bir uyumsuzlukla uğraşırken de yardımcı olacaktır .

Bunu daha da detaylandırmak için, alt örnekleme ve üst örneklememiz var.

Aşağı örnekleme, raporlama sıklığını azaltmaktır . Daha az değere sahip olmak için bir saniyeden bir saate dönüştürme veya aydan çeyreğe alt örnekleme gibi şeyler olabilir.

Öte yandan, üst örnekleme, raporlama sıklığını ay düzeyinden güne kadar artırmaktır . İleride bunun örneklerini daha çok göreceğiz.

İçindekiler

• Pandaları Kullanarak Zaman Serisi Verilerini Yeniden Örnekleme
• Değerleri Almak İçin Örneklemeyi Kullanma
• Çözüm

Pandaları Kullanarak Zaman Serisi Verilerini Yeniden Örnekleme

Bunu Pandas'ta nasıl yapacağız?

Öncelikle dizini zaman serisi veri sütunumuza değiştireceğiz . Ardından, değerleri dolduracak enterpolasyonu kullanarak üst örnekleme yapabiliriz ve değerleri toplayarak toparlamak için alt örnekleme yapabiliriz.

Jupyter Notebook Python'a gidelim ve bunu Pandas ile kontrol edelim.

Başlangıç ​​olarak, import pandas as pd yazarak Pandas'ı kullanacağız , ardından görselleştirmek için import seaborn as sns yazacağız ve Seaborn görselleştirmesini özelleştirmek için matplotlib.pyplot as plt olarak import edeceğiz .

Sonraki yapılacak şey, vega_datasets import data'dan veri almaktır . Örnek kaynaklar almak için güzel bir yer. Ayrıca sp = data.sp500() ve sp.head() kitaplığını elde edeceğiz .

İşte şimdiye kadarki verilerimiz. Her gün için günlük getiri ve fiyatımız var.

Dizini tarih sütununa ayarlamak için sp.set_index(['tarih'], inplace=True) yazın ve sp.head'i tekrar çağırın .

Değerleri Almak İçin Örneklemeyi Kullanma

Ardından, daha fazla değere sahip olmak için üst örneklemeyi kullanalım. Her gün için veriye sahip olduğumuz için, en basit fonksiyon olan sp [['price']] kullanarak saate inebiliriz . yeniden örnekleyin ('H').ffill() , ardından çalıştırın. H saati, M ayı, D günü vb. Pandalar belgelerinde bununla ilgili daha fazla bilgi edinebilirsiniz .

Gördüğümüz gibi 1 Ocak gece yarısı fiyat 1394,46, takip eden 01:00 AM - 4:00 AM saatleri ile aynı. Başka bir örnek, kapanış fiyatının 1366,42 olduğu 2 Ocak'tır.

Değer saat düzeyinde mevcut olmasa bile bunu yapmanın başka yolları da vardır. Ayrıca, yalnızca ileri dolgu yapmaktan daha karmaşık yollar da vardır . Örneğimiz için yaptığımız şey, yukarı örnekleme enterpolasyonu yapmanın temel yoludur.

Ardından, avg_month = sp [['price]].resample ('M').mean ( ) , ardından avg_month.head ( ) yazarak alt örneklemeye gidelim ve kontrol etmek için çalıştıralım.

Resimde görüldüğü gibi her ayın son gününü ve ortalama fiyatı görebiliriz. Örnekleri daha az değere sahip olacak şekilde azaltabiliriz veya buna küçültme diyoruz.

Bunu görselleştirmek için çizilen boyutları yeniden çizelim. Ardından sns.lineplot gelir . Çizgi grafiği, daha uzun bir X ekseni ile daha iyi çalışır, Y değeri ise ortalama aylık fiyattır.

Çizilen ayın ortalama fiyatını görmek için bunu çalıştıralım.

Yine, bunu yapmanın birçok farklı yolu var. Örneğin, çeyrek başına en düşük fiyatı bilmek istiyorsak, tek yapmamız gereken onu çalıştırmak için Quarter_low ve ardından Quarter_low.head yazmaktır.

Böylece, artık her çeyrekte bulunan üç aylık en düşük değeri görebiliriz. Yeniden örneklemeyi bu şekilde yaparsınız.

Python'da Eksik Verileri Enterpolasyon Yöntemi Kullanarak İşleme
MultiIndex Pandalarda Çok Düzeyli Veya Hiyerarşik Veri
Veri Kümeleri İçin ProfileReport ile Pandalarda | LuckyTemplates'da Python

Çözüm

Pandas , bunu kapatmak için gerçekten yeniden örnekleme ve zaman serisi verileri için oluşturulmuştur . Zaman serisi verileri üzerinde çalışıyorsanız ve farklı ayrıntılara sahipseniz, yeniden örnekleme çok yardımcı olabilir.

Ayrıca, bunu yapmanın birçok farklı yolunu öğrenmek için yeniden örnekleme yöntemiyle ilgili Pandalar belgelerini okuduğunuzdan emin olun. Temel olanlara baktık, ancak iki haftada bir, ayın son iş günü ve yeniden örnekleme için daha fazla seçenek gibi şeyler yapabilirsiniz.

Herşey gönlünce olsun,

George Dağı