Ich kenne? Datenanalyse mit Python oder Dingen, die Sie mit numpy verwenden möchten, wenn Sie möchten
Codes, die Sie hauptsächlich erreichen möchten, wenn Sie in Pandas möchten
** Ich habe versucht, es wie den Adventskalender zu machen, aber es tut mir leid, dass ich es nicht rechtzeitig schaffen konnte **
Ich werde es bald hinzufügen
Geben Sie unten einen Alias wie folgt an
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
Lassen Sie beim Anzeigen keine Spalten und Zeilen aus
pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 500)
Verwenden Sie description () für andere Zeilen als Zahlen
DF.desctibe(include='all')
Daten in chronologischer Reihenfolge
Ich habe hier darauf hingewiesen https://note.nkmk.me/python-pandas-time-series-resample-asfreq/
Datumsdaten erstellen
df = pd.DataFrame({'data' : range(0, 30, 2)},
index=pd.date_range(start='2018/1/1', end='2018/1/30', freq='2D'))
Extrahieren Sie Daten in regelmäßigen Abständen
Wenn Sie beispielsweise alle 3 Tage Daten extrahieren möchten, verwenden Sie asfreq (). Daten, die ursprünglich keine Daten haben, sind Keine.
df.asfreq(freq='3D')
| before | after |
|---|---|
|
 |
Wenn Sie jeden Mittwoch extrahieren und den Teil Keine mit den vorherigen Daten füllen möchten, verwenden Sie asfreq (freq = 'W-WED', method = 'pad').
df.asfreq(freq='W-WED', method='pad')
| before | after |
|---|---|
|
 |
Verwenden Sie umgekehrt asfreq (method = 'bfill'), um den nachfolgenden Wert einzugeben.
df.asfreq(freq='W-WED', method='bfill')
| before | after |
|---|---|
|
 |
Haben Sie Datumsdaten und erhalten Sie wöchentlich Summen
Verwenden Sie resample ()
df.resample('W').sum()
| before | after |
|---|---|
|
 |
Daten mit demselben Datum, Summe für jedes Datum
Die Daten sehen so aus
df2 = pd.DataFrame({'data': range(17)},
index=pd.date_range('2018-08-01', '2018-08-05', freq='6H'))
Verwenden Sie Resample ('D'). Sum (), um die tägliche Summe zu erhalten.
df2.resample('D').sum()
| before | after |
|---|---|
|
 |
Verwenden Sie für den Durchschnitt Resample ('D'). Mean ().
| before | after |
|---|---|
|
 |
Visualisierung (Sonne)
Bereiten Sie virtuelle Daten von 2018/1/1 bis 2018/12/31 vor
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
Wenn Sie dies visualisieren,
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(df3.index, df3['data'], marker='o')
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
Visualisierung (wöchentlich)
Versuche jeden Montag zu visualisieren
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.asfreq('W-MON')
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'], marker='o')
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
Visualisierung (monatlich)
Visualisiert am Ende des Monats
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.asfreq('1M')
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'])
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
asfreq ('1M') ist der letzte Tag des Monats
df3.asfreq('1M')
Der erste Tag des Monats
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.asfreq('1MS')
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'])
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
asfreq ('1MS') ist der erste Tag des Monats
df3.asfreq('1MS')
Visualisierung (1 Viertel)
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.asfreq('1QS')
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'], marker='o')
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
Visualisierung (insgesamt eine Woche)
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.resample('W').sum()
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'], marker='o')
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
Visualisierung (insgesamt für einen Monat)
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
_df = df3.resample('MS').sum()
plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(_df.index, _df['data'], marker='o')
plt.xticks(rotation=90)
plt.show()
| graph | data |
|---|---|
 |
 |
Zeitreiheninterpolation
Zeitreiheninterpolation wird häufig für Berufsmuster verwendet
Dies kann mit asfreq () gut erfolgen.
df = pd.DataFrame({'data' : range(0, 30, 2)},
index=pd.date_range(start='2018/1/1', end='2018/1/30', freq='2D'))
df2 = df.asfreq('1D')
| before | after |
|---|---|
 |
 |
Datum → Tag
Verwenden Sie Wochentag oder Wochentag für Datenzeitserien
0 ist Montag, 6 ist Sonntag
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DatetimeIndex.weekday.html
np.random.seed(0)
df3 = pd.DataFrame({'data':
np.maximum(0, np.minimum(np.arange(0, -365, -1) + 182, 0) + np.minimum(np.arange(365), 182) + np.floor(np.random.normal(50, 50, 365)))},
index=pd.date_range('2018-01-01', '2018-12-31'))
df3.index.weekday
Int64Index([0, 1, 2, 3, 4, 5, 6, 0, 1, 2,
...
5, 6, 0, 1, 2, 3, 4, 5, 6, 0],
dtype='int64', length=365)
Recommended Posts