Python: Zeitliche Visualisierung nutzen

Name: Python: Zeitliche Visualisierung nutzen
Author: Brian Higgins

Zeitreihendaten aufzeichnen und verstehen

Preview the first lesson free — get full access to all 3 lessons.

Kurs: On-Demand

Hallo, mein Name ist Brian Higgins und in diesen Lektionen werde ich es tun zeigen Ihnen, wie Sie die zeitliche Visualisierung nutzen können. In dieser Lektion sehen Sie Zeit- oder Zeitreihendaten ein linearer Graph. Zeichnen wir zunächst unsere Zeitreihendaten in einem Liniendiagramm. Wir zeichnen also ein Liniendiagramm, das mehrere Male zeigt Serie. In diesem Codesatz, den wir hier durchgehen werden, Zeitdaten werden auch als Zeitreihendaten bezeichnet. Dies kann man sich als Verfolgung der Leistung über einen längeren Zeitraum vorstellen oder Daten auf einer Zeitleiste betrachten. Sie könnten Dinge wie Bevölkerung, Einschreibung, Temperatur oder Aktienperformance im Laufe der Zeit. In dieser Lektion verwenden wir die Pandas-Bibliothek zum Laden von Beständen Daten aus einer Datei abrufen und diese Bestandsdaten im Zeitverlauf grafisch darstellen. Der Pandas-Datenrahmen ist sehr nützlich zum Lesen im Zeitrahmen Seriendaten aus einer Datei und deren anschließende Bearbeitung Visualisierungszwecken. Im Code hier importieren wir also Pandas-Daten Bibliothek, und wir importieren auch die Pyplot-Bibliothek. In der nächsten Codezeile werden wir „using“ einlesen Wenn die Pandas die CSV-Datei lesen, heißt die Datei „Stocks CSV“. Und in der Spalte „Datum“ weisen wir Pandas an, die Daten zu analysieren diese Werte als Datumsangaben. Das ist es also, was der Parameter „parsedates equal true“ aussagt Dort. Und dann weisen wir dies einem Stocks-DF zu, der für Stocks steht Datenrahmen. Werfen wir einfach einen Blick darauf, wie unsere Aktien-CSV-Datei aussieht. Dies ist ein Excel-Dateiformat CSV. Es handelt sich um ein durch Kommas getrenntes Format. In dieser Datei haben wir also eine Datumsspalte mit unseren Datumsdaten. Und das sind alle Termine im Dezember 2022. Also alle Aktienwerte für die Apple-Aktie AAPL, die Tesla Stock TSLA und der S- und P-500-Spion alles noch einmal für Dezember 2022. Der nächste Befehl, den wir dann aufrufen, ist die Plot-Funktion using Unser Bestandsdatenrahmen. Und wir zeichnen unseren Apfel entlang der Y-Achse ein Wir haben Tesla und S und P 500 auf Lager, und wir sagen es auch Verwenden Sie unseren Index, der unser Datumsfeld war. Dieser Verwendungsindex gleich „true“ bedeutet also nur, dass Sie sicherstellen, dass Sie dies tun Verwenden Sie das Datum als Index, der entlang der x-Achse verläuft. Zeigen wir also diese Handlung. Okay, beachten Sie also die Datumsangaben entlang der x-Achse. Die Preise liegen hier auf der Y-Achse. Und wir haben auch eine Legende. Das Blau ist Apple, Orange ist Tesla und Grün ist S und P 500. Offensichtlich sind S und P 500 viel höher. Sie werden feststellen, dass die orangefarbene Linie von Tesla abgefallen ist und dann Ende Dezember erholte ich mich etwas. Als Nächstes verwenden wir den Pandas-Datenrahmen und Hvplot zum Einlesen Ermitteln Sie die Bestandsdaten noch einmal und zeichnen Sie diese mithilfe eines Filter-Widgets auf, damit wir dies tun können Filtern Sie heraus, welches Liniendiagramm wir speziell sehen möchten Welche Aktie wir auch immer betrachten. In diesem Fall importieren wir also Pandas und Hvplot. Pandas Okay, und dann rufen wir die Pandas-Read-CSV-Funktion auf. Dieses Mal werden wir das Aktien-Unterstrich-Widget im CSV-Format einlesen. Und der Grund dafür ist, dass es ein anderes Layout hat. Und wir werden uns das gleich ansehen. Wir nennen Parse-Daten gleich wahr. Wir werden das als Parameter übergeben, der nur etwas sagt Lesen Sie die Datumsspalte als Datum. Okay? Und dann weisen wir dies einer Variablen namens stocksdf zu. Werfen wir einen Blick auf die CSV-Datei des Aktien-Widgets. Beachten Sie, dass das Layout dieser Datei etwas anders ist und Dadurch können wir dieses Filter-Widget verwenden. Okay, wir haben also alle Daten in der Datumsspalte. Wir haben alle Ticker in der Ticker-Spalte. Wir haben also Apple, Tesla sowie den S und P 500 und dann sind dort auch alle ihre angepassten Schlusskurse enthalten. Und das ist wieder alles für Dezember 2022. Okay, also lasst uns das einlesen und den Index auf setzen Datum. Und dann werfen wir einfach einen Blick darauf, wie dieser Datenrahmen aussieht als ob ich es eingelesen hätte. Okay, wir haben also unseren Datumsindex, unsere Tickerspalte und unsere angepasste Schlusstermine. Das sind also nur die ersten fünf Zeilen unserer Datenrahmen Wir werden dort nicht alle verschiedenen Ticker sehen. Und jetzt nennen wir die Datenrahmen-Hvplot-Funktionsübergabe in der Gruppe nach Gleichheitsticker. Und wir werden sehen, was uns das mit diesem Filter-Widget ermöglicht. Okay, jetzt haben wir es nach Datum geordnet. Der angepasste Schlusskurs in diesem Fall von Apple ist genau das Richtige wurde standardmäßig angezeigt. Beachten Sie, dass Sie auch über verschiedene interaktive Widgets verfügen hier auf der rechten Seite, bereitgestellt vom Hv-Diagramm. Aber was noch wichtiger ist: Sie können herausfiltern und nachsehen speziell im Liniendiagramm für den von Ihnen verwendeten Börsenticker will sehen. In diesem Fall also Tesla S und P 500. Und zuerst sahen wir Apfel. Okay, dieses Filter-Widget ist auch bei der Suche sehr hilfreich an Ihren Daten. Danke fürs zuschauen. Seien Sie gespannt auf die nächste Lektion, in der wir die berechnete Darstellung durchführen zeitliche Daten.

Mittelstufe Anbieter : Brian Higgins 3 Lektionen · 17m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

In diesen Lektionen werden Sie Pandas verwenden, um Zeitreihendaten aus einer Excel-Datei zu lesen. Zeitliche Daten oder Zeitreihen können als Verfolgung der Leistung im Laufe der Zeit oder als Betrachtung von Daten auf einer Zeitachse betrachtet werden. Wir zeigen Ihnen, wie Sie mehrere Zeitreihen in einem Diagramm darstellen und aus den Diagrammen Rückschlüsse auf die Daten ziehen können. Außerdem werden Sie die HVPlot-Bibliothek verwenden, um mehrere Zeitreihen grafisch darzustellen und sich mit einem Filter-Widget auf diese einzeln zu konzentrieren.

Wir zeigen Ihnen auch, wie Sie mit Pandas leistungsbezogene Daten zu hypothetischen Aktienkursen berechnen, die Daten grafisch darstellen und daraus Schlüsse ziehen können. Bei den berechneten Leistungsdaten handelt es sich um zeitliche Statistiken wie Wachstum (prozentuale Veränderung), gleitendes Mittel (7-Tage-Durchschnitt) und kumulative Renditen. Sie werden auch Box Plots mit Zeitreihendaten zeichnen, um statistische Informationen zu jeder Serie zu visualisieren.

Was Sie lernen werden

Importieren und Plotten von Zeitreihendaten aus einer Excel-Datei mit Pandas
Plotten Sie mehrere Zeitreihen in demselben Diagramm und ziehen Sie Schlussfolgerungen aus den Diagrammen
Verwenden Sie die HVPlot-Bibliothek, um mehrere Zeitreihen zu zeichnen und einzelne Reihen mit einem Filter-Widget zu fokussieren
Berechnen Sie leistungsbasierte zeitliche Statistiken wie Wachstum (prozentuale Veränderung), gleitender Durchschnitt (7-Tage-Durchschnitt) und kumulative Renditen
Plotten Sie berechnete Leistungsdaten mit Matplotlib und ziehen Sie Schlussfolgerungen aus den Diagrammen
Erstellen und lesen Sie Box-Diagramme, um statistische Informationen zu Zeitreihendaten zu visualisieren

Wichtige Erkenntnisse

Zeitliche oder Zeitreihendaten verfolgen die Leistung über die Zeit oder zeigen Daten auf einer Zeitlinie.
Pandas kann Zeitreihendaten aus einer Excel-Datei lesen und leistungsbasierte Daten zu hypothetischen Aktienkursen berechnen.
Die HVPlot-Bibliothek ermöglicht es Ihnen, mehrere Zeitreihen zu zeichnen und einzelne Reihen mithilfe eines Filter-Widgets zu fokussieren.
Berechnete zeitliche Statistiken umfassen Wachstum (prozentuale Veränderung), gleitender Durchschnitt (7-Tage-Durchschnitt) und kumulative Renditen.
Box-Diagramme können aus Zeitreihendaten erstellt werden, um statistische Informationen zu jeder Reihe zu visualisieren.

Häufig gestellte Fragen

Was werde ich in diesem Kurs lernen?

Sie verwenden Pandas, um Zeitreihendaten aus einer Excel-Datei zu lesen, mehrere Zeitreihen in demselben Diagramm zu plotten, die HVPlot-Bibliothek mit einem Filter-Widget zu verwenden, leistungsbasierte zeitliche Statistiken zu berechnen, die Daten mit Matplotlib zu plotten und Box-Diagramme zu erstellen und zu lesen, um Schlussfolgerungen über die Daten zu ziehen.

Welche Tools und Bibliotheken behandelt dieser Kurs?

Der Kurs behandelt Pandas zum Lesen von Zeitreihendaten und zur Berechnung von Leistungsdaten, die HVPlot-Bibliothek zum Zeichnen mehrerer Zeitreihen mit einem Filter-Widget und Matplotlib zum Plotten berechneter Leistungsdaten.

Welche zeitlichen Statistiken werden in diesem Kurs berechnet?

Der Kurs berechnet zeitliche Statistiken, einschließlich Wachstum (prozentuale Veränderung), gleitender Durchschnitt (7-Tage-Durchschnitt) und kumulative Renditen, demonstriert an hypothetischen Aktienkursen.

Welche Lektionen sind enthalten?

Der Kurs umfasst drei Lektionen: Zeitliche Daten mit einem Liniendiagramm, Plotten berechneter zeitlicher Daten und Erstellen eines Box-Diagramms zur Beschreibung zeitlicher Daten.

Welche Fähigkeiten werde ich gewinnen?

Sie werden Fähigkeiten in Datenvisualisierung, wissenschaftlicher Visualisierung, Zeitreihen, visuellen Analysen, Visualisierung und dem Visualization Toolkit (VTK) erwerben.