1. Aprender
    2. /
  2. Cursos
    3. /
  3. Manipulação de dados de séries temporais em Python
  • 1

    Trabalhando com séries temporais no Pandas

    Gratuito

    Este capítulo estabelece as bases para você aproveitar a poderosa funcionalidade de série temporal disponibilizada pela forma como o Pandas representa as datas, em particular pelo DateTimeIndex. Você aprenderá a criar e manipular informações de datas e séries temporais e a fazer cálculos com DataFrames com reconhecimento de tempo para deslocar seus dados no tempo ou criar retornos específicos de períodos.

  • 2

    Métricas básicas de séries temporais e reamostragem

    Este capítulo se aprofunda na funcionalidade essencial de séries temporais disponibilizada pelo DataTimeIndex do pandas. Ele apresenta a reamostragem e como comparar diferentes séries temporais normalizando seus pontos iniciais.

  • 3

    Funções da janela: Métricas de rolagem e expansão

    Este capítulo mostrará a você como usar a função de janela para calcular métricas de séries temporais para janelas contínuas e em expansão.

  • 4

    Juntando tudo: Criação de um índice ponderado por valor

    Este capítulo combina os conceitos anteriores, ensinando a você como criar um índice ponderado por valor. Esse índice usa dados de capitalização de mercado contidos nas listagens da bolsa de valores para calcular pesos e informações de preços de ações de 2016. O desempenho do índice é então comparado com os benchmarks para avaliar o desempenho do índice que você criou.

Initializing

Exercicio

Média móvel da qualidade do ar desde 2010 para a cidade de Nova York

O último vídeo foi sobre as funções da janela de rolagem. Para praticar essa nova ferramenta, você começará com as tendências de qualidade do ar na cidade de Nova York desde 2010. Em particular, você usará os níveis diários de concentração de ozônio fornecidos pela Agência de Proteção Ambiental para calcular e plotar a média móvel de 90 e 360 dias.

Instruções

100 XP

Já importamos pandas como pd e matplotlib.pyplot como plt.

  • Use pd.read_csv() para importar 'ozone.csv', criando um DateTimeIndex a partir da coluna 'date' usando parse_dates e index_col, e atribua o resultado a data.
  • Adicione as colunas '90D' e '360D' que contêm os 90 e 360 dias corridos do calendário .mean() para a coluna 'Ozone'.
  • Trace data a partir de 2010, definindo 'New York City' como title.