Läs in flera tidsserier

Oavsett om det gäller egna projekt eller det dagliga arbetet som datavetare, kommer du troligtvis att stöta på situationer där flera tidsserier behöver analyseras och visualiseras samtidigt.

Om data för varje tidsserie finns lagrad i separata kolumner i en fil, gör pandas-biblioteket det enkelt att arbeta med flera tidsserier. I följande övningar arbetar du med ett nytt tidsserie-dataset som innehåller produktionsmängder för olika kötttyper i USA mellan 1944 och 2012.

Den här övningen är en del av kursen

Visualisering av tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har importerat pandas med aliaset pd.

Läs in csv-filen på adressen url_meat i en DataFrame som du kallar meat.
Konvertera kolumnen date i meat till typen datetime.
Ange kolumnen date som index för meat.
Skriv ut sammanfattande statistik för alla numeriska kolumner i meat.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____)

Redigera och kör kod