Kom igångKom igång gratis

Utforskning

Du kanske skapar diagram regelbundet, men i den här kursen är det viktigt att du explicit kan styra vilken axel olika tidsserier ritas på. Det behöver du för att kunna utvärdera dina tidsserieprognoser längre fram.

Din uppgift här är att plotta en datamängd över månatlig godisproduktion i USA mellan 1972 och 2018.

Närmare bestämt plottar du det industriella produktionsindexet IPG3113N. Det mäter den totala mängden socker- och konfektyreprodukter som produceras i USA per månad, uttryckt som en procentandel av januariproduktionen 2012. Värdet 120 motsvarar alltså 120 % av den industriella produktionen i januari 2012.

Se hur detta värde har förändrats över tid och hur det varierar under årets lopp.

Den här övningen är en del av kursen

ARIMA-modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera matplotlib.pyplot med aliaset plt och importera pandas med aliaset pd.
  • Läs in tidsserien för godisproduktion från filen 'candy_production.csv' med pandas, sätt indexet till kolumnen 'date', tolka datumen och tilldela resultatet till variabeln candy.
  • Plotta tidsserien på axeln ax1 med hjälp av DataFramens .plot()-metod. Visa sedan diagrammet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import modules
import ____ as ____
import ____ as ____

# Load in the time series
candy = pd.____('candy_production.csv', 
            ____='____',
            ____=____)

# Plot and show the time series on axis ax1
fig, ax1 = plt.subplots()
____.____(ax=____)
____
Redigera och kör kod