Wczytywanie wielu szeregów czasowych

Czy to podczas własnych projektów, czy w codziennej pracy jako data scientist – na pewno napotkasz sytuacje, w których trzeba jednocześnie analizować i wizualizować wiele szeregów czasowych.

Jeśli dane każdego szeregu czasowego są przechowywane w oddzielnych kolumnach pliku, biblioteka pandas bardzo ułatwia pracę z wieloma szeregami naraz. W kolejnych ćwiczeniach będziesz pracować z nowym zbiorem danych zawierającym informacje o ilości różnych rodzajów mięsa produkowanego w USA w latach 1944–2012.

To ćwiczenie jest częścią kursu

Wizualizacja danych szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Biblioteka pandas została już zaimportowana pod aliasem pd.

Wczytaj plik CSV znajdujący się pod adresem url_meat do DataFrame o nazwie meat.
Przekonwertuj kolumnę date w meat na typ datetime.
Ustaw kolumnę date jako indeks meat.
Wyświetl statystyki podsumowujące dla wszystkich kolumn numerycznych w meat.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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.____)

Edytuj i uruchom kod