Je connais? Analyse de données à l'aide de Python ou de choses que vous souhaitez utiliser quand vous le souhaitez avec numpy

Codes que vous souhaitez atteindre principalement lorsque vous le souhaitez dans Pandas

** J'ai essayé de faire comme le calendrier de l'Avent, mais je suis désolé de ne pas avoir pu venir à temps **

Je l'ajouterai bientôt

Ci-dessous, donnez un alias comme suit

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

N'omettez pas les colonnes et les lignes lors de l'affichage

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 500)

Utilisez describe () pour les lignes autres que les nombres

DF.desctibe(include='all')

Données par ordre chronologique

Je me réfère ici https://note.nkmk.me/python-pandas-time-series-resample-asfreq/

Créer des données de date

df = pd.DataFrame({'data' : range(0, 30, 2)},
                 index=pd.date_range(start='2018/1/1', end='2018/1/30', freq='2D'))

Extraire les données à intervalles réguliers

Par exemple, si vous souhaitez extraire des données tous les 3 jours, utilisez asfreq (). Les dates qui n'ont pas de données à l'origine seront Aucune.

df.asfreq(freq='3D')

before	after

Si vous souhaitez extraire chaque mercredi et remplir la partie None avec les données précédentes, utilisez asfreq (freq = 'W-WED', method = 'pad').

df.asfreq(freq='W-WED', method='pad')

before	after

Inversement, utilisez asfreq (method = 'bfill') pour remplir la valeur de fin.

df.asfreq(freq='W-WED', method='bfill')

before	after

Avoir des données de date et obtenir des totaux chaque semaine

Utilisez resample ()

df.resample('W').sum()

before	after

Données avec la même date, total pour chaque date

Les données ressemblent à ceci

df2 = pd.DataFrame({'data': range(17)},
                    index=pd.date_range('2018-08-01', '2018-08-05', freq='6H'))

Utilisez resample ('D'). Sum () pour obtenir le total quotidien.

df2.resample('D').sum()

before	after

Pour la moyenne, utilisez resample ('D'). Mean ().

before	after

Visualisation (soleil)

Préparer des données virtuelles du 2018/1/1 au 2018/12/31

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'))

Si vous visualisez ceci,

plt.figure(figsize=(18, 6), facecolor='white')
plt.plot(df3.index, df3['data'], marker='o')
plt.xticks(rotation=90)
plt.show()

graph	data

Visualisation (hebdomadaire)

Essayez de visualiser tous les lundis

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

Visualisation (mensuelle)

Visualisé à la fin du mois

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') est le dernier jour du mois

df3.asfreq('1M')

Le premier jour du mois

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') sera le premier jour du mois

df3.asfreq('1MS')

Visualisation (1 trimestre)

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

Visualisation (total pour une semaine)

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

Visualisation (total pour un mois)

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

Interpolation de séries chronologiques

L'interpolation de séries chronologiques est souvent utilisée pour les modèles professionnels

Cela peut être fait en utilisant bien asfreq ().

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

Date → jour

Utiliser le jour de la semaine ou le jour de la semaine pour les séries datatime

0 est lundi, 6 est dimanche

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)