1. Learn
    2. /
  2. Courses
    3. /
  3. Manipulación de datos de series temporales en Python
  • 1

    Trabajar con series temporales en Pandas

    Free

    En este capítulo se sientan las bases para aprovechar la potente funcionalidad de las series temporales que Pandas pone a disposición mediante la representación de fechas, en particular mediante DateTimeIndex. Aprenderá a crear y manipular información de fechas y series temporales, y a realizar cálculos con DataFrames temporales para desplazar los datos en el tiempo o crear rendimientos específicos de un periodo.

  • 2

    Métricas básicas de series temporales y remuestreo

    Este capítulo profundiza en la funcionalidad esencial de las series temporales disponible a través del DataTimeIndex de pandas. Introduce el remuestreo y cómo comparar diferentes series temporales normalizando sus puntos de inicio.

  • 3

    Funciones de ventana: Métricas de balanceo y expansión

    Este capítulo le mostrará cómo utilizar la función de ventana para calcular métricas de series temporales tanto para ventanas móviles como expansivas.

  • 4

    Ponerlo todo junto: Creación de un índice ponderado por valor

    Este capítulo combina los conceptos anteriores enseñándole a crear un índice ponderado por valor. Este índice utiliza los datos de capitalización bursátil que figuran en los listados de las bolsas para calcular las ponderaciones y la información sobre el precio de las acciones en 2016. A continuación, el rendimiento del índice se compara con los índices de referencia para evaluar el rendimiento del índice creado.

Initializing

Exercise

Compare las tendencias semanales, mensuales y anuales del ozono en NYC & LA

En el vídeo ha visto cómo reducir la muestra y agregar series temporales sobre la calidad del aire.

En primer lugar, aplicará esta nueva habilidad a los datos de ozono tanto de NYC como de LA desde el año 2000 para comparar la tendencia de la calidad del aire a frecuencias semanales, mensuales y anuales y explorar cómo afectan a la visualización los distintos periodos de remuestreo.

Instructions

100 XP

Hemos importado de nuevo pandas como pd y matplotlib.pyplot como plt para usted.

  • Utilice pd.read_csv() para importar 'ozone.csv' y establecer un DateTimeIndex basado en la columna 'date' utilizando parse_dates y index_col, asigne el resultado a ozone e inspeccione utilizando .info().
  • Aplique .resample() con frecuencia semanal ('W') a ozone, agregue utilizando .mean() y trace el resultado.
  • Repita la operación con las frecuencias mensual ('M') y anual ('A'), representando gráficamente cada resultado.