Mehrere Zeitreihen laden

Ob in eigenen Projekten oder im Arbeitsalltag als Data Scientist: Es ist wahrscheinlich, dass du Situationen begegnest, in denen mehrere Zeitreihen gleichzeitig analysiert und visualisiert werden müssen.

Wenn die Daten jeder Zeitreihe in eigenen Spalten einer Datei gespeichert sind, macht es dir die Bibliothek pandas leicht, mit mehreren Zeitreihen zu arbeiten. In den folgenden Übungen arbeitest du mit einem neuen Zeitreihen-Datensatz, der die Menge verschiedener Fleischsorten enthält, die in den USA zwischen 1944 und 2012 produziert wurden.

Diese Übung ist Teil des Kurses

Zeitreihendaten in Python visualisieren

Kurs anzeigen

Anleitung zur Übung

Wir haben pandas mit dem Alias pd importiert.

Lies die CSV-Datei unter url_meat in ein DataFrame namens meat ein.
Konvertiere die Spalte date in meat in den Typ datetime.
Setze die Spalte date als Index von meat.
Gib die zusammenfassenden Statistiken aller numerischen Spalten in meat aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Read in meat DataFrame
meat = ____.____(____)

# Review the first five lines of the meat DataFrame
print(meat.head(5))

# Convert the date column to a datestamp type
meat['date'] = ____(____)

# Set the date column as the index of your DataFrame meat
meat = ____.____(____)

# Print the summary statistics of the DataFrame
print(meat.____)

Code bearbeiten und ausführen