Python: Uso de la visualización temporal

Name: Python: Uso de la visualización temporal
Author: Brian Higgins

Trace y comprenda los datos de series temporales

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

Curso: bajo demanda

Hola, mi nombre es Brian Higgins y en estas lecciones le mostrará cómo utilizar la visualización temporal. En esta lección, verá datos temporales o de series de tiempo sobre una gráfica lineal. Primero dibujemos nuestros datos de series de tiempo en un gráfico lineal. Así que vamos a dibujar un diagrama de líneas que muestre varias veces serie. En este conjunto de código que vamos a repasar aquí, Los datos temporales también se conocen como datos de series de tiempo. Esto puede considerarse como un seguimiento del rendimiento a lo largo del tiempo. o mirar datos en una línea de tiempo. Podrías realizar un seguimiento de aspectos como la población, la inscripción, temperatura o comportamiento de las acciones a lo largo del tiempo. En esta lección, usaremos la biblioteca Pandas para cargar stock. datos de un archivo y trazar esos datos de existencias a lo largo del tiempo. El marco de datos de Pandas es muy útil para leer en el tiempo. serie de datos de un archivo y luego manipularlos para fines de visualización. Entonces, en el código aquí, vamos a importar datos de Pandas. biblioteca, y también importaremos la biblioteca Pyplot. En la siguiente línea de código aquí, vamos a leer usando Si Pandas lee el archivo CSV, el archivo se llamará Stocks CSV. Y en la columna Fecha, le diremos a Pandas que analice esos valores como fechas. Eso es lo que dice el parámetro de análisis de fechas iguales a verdadero. allá. Y luego asignaremos esto a un DF de acciones que significa Acciones. marco de datos. Echemos un vistazo a cómo se ve nuestro archivo CSV de acciones. Este es un archivo de Excel en formato CSV. Es un formato separado por comas. Entonces, en este archivo tendremos una columna de fecha con nuestros datos de fecha. Y estas son todas las fechas de diciembre de 2022. Entonces, todos los valores de las acciones de Apple AAPL, Tesla TSLA de serie y el espía S y P 500 Todo de nuevo para diciembre de 2022. Entonces, el siguiente comando que llamaremos es la función de trazado usando nuestro marco de datos de acciones. Y lo que haremos es, a lo largo del eje y, trazaremos nuestra manzana. stock Tesla y S y P 500, y también le estamos diciendo que use nuestro índice, que era nuestro campo de fecha. Entonces este índice de uso es igual a verdadero solo dice: asegúrese de use la fecha como índice y se ejecutará a lo largo del eje x. Entonces, mostremos esta trama. Bien, observe las fechas a lo largo del eje x. Los precios están aquí a lo largo del eje y. Y también tenemos una leyenda. El azul es Apple, el naranja es Tesla y el verde son S y P. 500. Obviamente S y P 500 es mucho mayor. Notarás que la línea naranja tesla se hundió y luego Se recuperó un poco a finales de diciembre. A continuación usaremos el marco de datos de Pandas y Hvplot para leer. datos de stock nuevamente y trazarlos usando un widget de filtro para que podamos filtrar qué gráfico de líneas queremos ver específicamente para cualquier acción que estemos mirando. Entonces, en este caso, importaremos Pandas. y Hvplot. pandas Bien, y luego llamaremos a la función CSV de lectura de Pandas. Esta vez vamos a leer el widget CSV de subrayado de acciones. Y la razón es que tiene un diseño diferente. Y veremos eso en un segundo. Llamaremos fechas de análisis iguales a verdaderas. Lo pasaremos como un parámetro que solo dice lea la columna de fecha como fechas. ¿Bueno? Y luego asignaremos esto a una variable llamada stocksdf. Echemos un vistazo al archivo CSV del widget de acciones. Observe que el diseño de este archivo es un poco diferente y esto nos permitirá utilizar ese widget de filtro. Bien, entonces tenemos todas las fechas en la columna de fechas. Tenemos todos los tickers en la columna ticker. Tenemos a Apple, Tesla, así como el S y el P 500, y luego todos sus precios de cierre ajustados también estarán allí. Y esto nuevamente es todo para diciembre de 2022. Bien, entonces leamos esto y establezcamos el índice en el fecha. Y luego echemos un vistazo a cómo se ve este marco de datos. como haberlo leído. Bien, entonces tenemos nuestro índice de fechas, nuestra columna de teletipo y nuestro fechas de cierre ajustadas. Estas son solo las primeras cinco filas de nuestros marcos de datos, así que No veremos todos los diferentes ticks allí. Y ahora llamaremos a la función hvplot de los marcos de datos pasando en grupo por ticker igual. Y veremos qué nos permite hacer esto con este widget de filtro. Bien, ahora lo hemos trazado por fecha. El precio de cierre ajustado en este caso por parte de Apple es justo lo que apareció por defecto. Observe que también tiene sus diferentes widgets interactivos. aquí en el lado derecho proporcionado por el gráfico Hv. Pero lo más importante es que puedes filtrar y buscar específicamente en el gráfico de líneas para cualquier símbolo bursátil que quiero ver. Entonces, en este caso, Tesla S y P 500. Y al principio vimos una manzana. Bien, este widget de filtro también es muy útil para buscar en tus datos. Gracias por ver. Estén atentos a la próxima lección donde trazaremos los cálculos. datos temporales.

Intermedio Proveedor : Brian Higgins 3 lecciones · 17m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

En estas lecciones usará Pandas para leer datos de series temporales de un archivo de Excel. Los datos temporales o de series temporales se pueden considerar como un seguimiento del desempeño a lo largo del tiempo o como un análisis de los datos en una línea de tiempo. Le enseñaremos a trazar varias series temporales en el mismo gráfico y a sacar inferencias de los datos de los gráficos. Además, utilizará la biblioteca HVPlot para graficar varias series temporales y centrarse en ellas individualmente con un widget de filtro.

También le enseñaremos a usar Pandas para calcular datos basados en el desempeño sobre precios de acciones hipotéticos, luego cómo trazar los datos y sacar inferencias basadas en esos gráficos. Los datos de desempeño calculados serán estadísticas temporales, como crecimiento (cambio porcentual), media móvil (promedio de 7 días) y rendimientos acumulados. También dibujará diagramas de caja utilizando datos de series temporales para visualizar información estadística sobre cada serie.

Lo que aprenderás

Importar y graficar datos de series de tiempo de un archivo Excel usando Pandas
Graficar múltiples series de tiempo en el mismo gráfico e inferir del gráfico
Usar la biblioteca HVPlot para graficar múltiples series de tiempo y enfocarse en series individuales con un widget de filtro
Calcular estadísticas temporales basadas en desempeño como crecimiento (cambio porcentual), promedio móvil (promedio de 7 días) y retornos acumulativos
Graficar datos de desempeño calculados con Matplotlib e inferir de los gráficos
Crear y leer gráficos de caja para visualizar información estadística en datos de series de tiempo

Puntos clave

Los datos temporales o de series de tiempo rastrean desempeño a lo largo del tiempo o ven datos en una línea de tiempo.
Pandas puede leer datos de series de tiempo de un archivo Excel y calcular datos basados en desempeño sobre precios de acciones hipotéticos.
La biblioteca HVPlot te permite graficar múltiples series de tiempo y enfocarte en series individuales usando un widget de filtro.
Las estadísticas temporales calculadas incluyen crecimiento (cambio porcentual), promedio móvil (promedio de 7 días) y retornos acumulativos.
Los gráficos de caja pueden dibujarse de datos de series de tiempo para visualizar información estadística en cada serie.

Preguntas frecuentes

¿Qué aprenderé en este curso?

Usarás Pandas para leer datos de series de tiempo de un archivo Excel, graficar múltiples series de tiempo en el mismo gráfico, usar la biblioteca HVPlot con un widget de filtro, calcular estadísticas temporales basadas en desempeño, graficar los datos con Matplotlib y crear y leer gráficos de caja para inferir de los datos.

¿Qué herramientas y bibliotecas cubre este curso?

El curso cubre Pandas para leer datos de series de tiempo y calcular datos de desempeño, la biblioteca HVPlot para graficar múltiples series de tiempo con un widget de filtro y Matplotlib para graficar datos de desempeño calculados.

¿Qué estadísticas temporales se calculan en este curso?

El curso calcula estadísticas temporales incluyendo crecimiento (cambio porcentual), promedio móvil (promedio de 7 días) y retornos acumulativos, demostrados en precios de acciones hipotéticos.

¿Qué lecciones se incluyen?

El curso incluye tres lecciones: Datos temporales con un gráfico de línea, Gráficos de datos temporales calculados y Creación de un gráfico de caja para describir datos temporales.

¿Qué habilidades adquiriré?

Adquirirás habilidades en visualización de datos, visualización científica, series de tiempo, análisis visual, visualización y el Toolkit de Visualización (VTK).