Python : Utiliser la visualisation temporelle

Name: Python : Utiliser la visualisation temporelle
Author: Brian Higgins

Tracer et comprendre les données de séries chronologiques

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

Cours : à la demande

Bonjour, je m'appelle Brian Higgins, et dans ces leçons je vais vous montre comment utiliser la visualisation temporelle. Dans cette leçon, vous verrez des données temporelles ou de séries chronologiques sur un graphique linéaire. Traçons d'abord nos données de séries chronologiques sur un graphique linéaire. Nous allons donc tracer un tracé linéaire montrant plusieurs fois série. Dans cet ensemble de code que nous allons parcourir ici, les données temporelles sont également appelées données de séries chronologiques. Cela peut être considéré comme un suivi des performances au fil du temps. ou consulter des données sur une chronologie. Vous pouvez suivre des éléments tels que la population, les inscriptions, température ou la performance des stocks au fil du temps. Dans cette leçon, nous utiliserons la bibliothèque Pandas pour charger le stock données à partir d’un fichier et tracez ces données de stock au fil du temps. La trame de données Pandas est très utile pour lire dans le temps données de série à partir d'un fichier, puis en les manipulant pour à des fins de visualisation. Donc dans le code ici, nous allons importer les données Pandas bibliothèque, et nous importerons également la bibliothèque Pyplot. Dans la prochaine ligne de code ici, nous allons lire en utilisant les Pandas lisent le fichier CSV, le fichier s'appellera Stocks CSV. Et dans la colonne Date, nous allons dire aux Pandas d'analyser ces valeurs sous forme de dates. C'est donc ce que dit le paramètre d'analyse des dates égales à vrai là. Et puis nous attribuerons cela à un stock DF signifiant Stocks trame de données. Jetons simplement un coup d'œil à ce à quoi ressemble notre fichier CSV Stocks. Il s'agit d'un fichier Excel au format CSV. C'est un format séparé par des virgules. Donc, dans ce fichier, nous aurons une colonne de date avec nos données de date. Et ce sont toutes les dates de décembre 2022. Donc, toutes les valeurs boursières des actions Apple AAPL, Tesla stock TSLA et l'espion S et P 500 encore une fois pour décembre 2022. La prochaine commande que nous appellerons alors est la fonction plot utilisant notre base de données sur les actions. Et ce que nous allons faire, c'est tracer notre pomme le long de l'axe y. stockez Tesla et S et P 500, et nous lui disons également de utilisez notre index, qui était notre champ de date. Donc, cet indice d'utilisation est égal à vrai, cela signifie simplement assurez-vous que vous utilisez la date comme index et cela s'étendra le long de l'axe des x. Montrons donc ce tracé. D'accord, alors remarquez les dates le long de l'axe des x. Les prix sont ici le long de l’axe y. Et nous avons aussi une légende. Le bleu est Apple, l'orange est Tesla et le vert est le S et P 500. Évidemment, les S et P 500 sont beaucoup plus élevés. Vous remarquerez que la ligne orange Tesla a plongé, puis Je me suis un peu rétabli fin décembre. Ensuite, nous utiliserons le bloc de données Pandas et Hvplot pour lire stockez à nouveau les données et tracez-les à l'aide d'un widget de filtre afin que nous puissions filtrer le graphique linéaire que nous voulons voir spécifiquement pour quel que soit le stock que nous examinons. Donc dans ce cas, nous importerons des Pandas et Hvplot. Pandas d'accord, et ensuite nous appellerons la fonction Pandas read CSV. Cette fois, nous allons lire dans le widget de soulignement des actions CSV. Et la raison est qu’il a une disposition différente. Et nous y jetterons un œil dans une seconde. Nous appellerons les dates d'analyse égales à vrai. Nous passerons cela comme paramètre qui dit simplement lisez la colonne de date comme des dates. D'accord? Et puis nous attribuerons cela à une variable appelée stocksdf. Jetons un coup d'œil au fichier CSV du widget d'actions. cela nous permettra d'utiliser ce widget de filtre. D'accord, nous avons donc toutes les dates dans la colonne date. Nous avons tous les tickers dans la colonne des tickers. Nous avons donc Apple, Tesla, ainsi que les S et P 500, et puis tous leurs prix de clôture ajustés y figurent également. Et c’est encore une fois tout pour décembre 2022. D'accord, lisons ceci et allons définir l'index sur date. Et puis jetons un coup d'oeil à ce à quoi ressemble ce bloc de données comme l'avoir lu. D'accord, nous avons donc notre index de date, notre colonne de ticker et notre dates de clôture ajustées. Maintenant, ce ne sont que les cinq premières lignes de nos trames de données, donc nous n'allons pas voir tous les différents tickers là-dedans. Et maintenant, nous appellerons la fonction hvplot des trames de données en passant en groupe par ticker égal. Et nous verrons ce que cela nous permet de faire avec ce widget de filtre. D'accord, maintenant nous l'avons tracé par date. Le cours de clôture ajusté dans ce cas par Apple est exactement ce que est apparu par défaut. ici sur le côté droit fourni par Hv plot. Mais plus important encore, vous pouvez filtrer et regarder spécifiquement sur le graphique linéaire du symbole boursier que vous vouloir voir. Donc dans ce cas, Tesla S et P 500. Et au début, nous avons vu des pommes. D'accord, ce widget de filtre est également très utile pour rechercher à vos données. Merci d'avoir regardé. Restez à l'écoute pour la prochaine leçon où nous tracerons calculé données temporelles.

Intermédiaire Fournisseur : Brian Higgins 3 leçons · 17m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Dans ces leçons, vous utiliserez Pandas pour lire des données de séries chronologiques à partir d'un fichier Excel. Les données temporelles ou chronologiques peuvent être considérées comme le suivi des performances au fil du temps ou l'examen des données sur une chronologie. Nous allons vous montrer comment tracer plusieurs séries chronologiques sur le même graphique et tirer des inférences sur les données à partir des graphiques. De plus, vous utiliserez la bibliothèque HVPlot pour représenter graphiquement plusieurs séries chronologiques et vous concentrer sur celles-ci individuellement avec un widget de filtrage.

Nous vous montrerons également comment utiliser Pandas pour calculer des données basées sur les performances sur des cours boursiers hypothétiques, puis comment tracer les données et tirer des inférences basées sur ces graphiques. Les données de performance calculées seront des statistiques temporelles, telles que la croissance (variation en pourcentage), la moyenne mobile (moyenne sur 7 jours) et les rendements cumulés. Vous dessinerez également des diagrammes en boîte en utilisant des données de séries chronologiques pour visualiser les informations statistiques sur chaque série.

Ce que vous allez apprendre

Importer et tracer des données de séries temporelles à partir d'un fichier Excel à l'aide de Pandas
Tracer plusieurs séries chronologiques sur le même graphique et tirer des conclusions (inferences) à partir des graphiques
Utiliser la bibliothèque HVPlot pour représenter sous forme de graphique de multiples séries temporelles et se concentrer sur des séries individuelles avec un widget de filtre
Calculer des statistiques temporelles basées sur les performances telles que la croissance (variation en pourcentage), la moyenne mobile (moyenne sur 7 jours) et les rendements cumulés
Tracer les données de performances calculées avec Matplotlib et tirer des conclusions des graphiques
Créer et lire des diagrammes en boîte (box plots) pour visualiser les informations statistiques sur les données de séries chronologiques

Points clés à retenir

Les données temporelles ou les séries chronologiques permettent de suivre les performances au fil du temps ou de visualiser les données sur une chronologie.
Pandas permet de lire des données de séries chronologiques (time series) depuis un fichier Excel et de calculer des données basées sur les performances pour des cours boursiers hypothétiques.
La bibliothèque HVPlot vous permet de tracer de multiples séries temporelles et de vous concentrer sur des séries individuelles à l'aide d'un widget de filtrage.
Les statistiques temporelles calculées comprennent la croissance (variation en pourcentage), la moyenne mobile (moyenne sur 7 jours) et les rendements cumulés.
Des boîtes à moustaches (box plots) peuvent être tracées à partir de données de séries chronologiques pour visualiser les informations statistiques sur chaque série.

Foire aux questions

Que vais-je apprendre dans ce cours ?

Vous utiliserez Pandas pour lire des données de séries chronologiques à partir d'un fichier Excel, tracerez de multiples séries chronologiques sur le même graphique, utiliserez la bibliothèque HVPlot avec un widget de filtrage, calculerez des statistiques temporelles basées sur les performances, tracerez les données avec Matplotlib et créerez et lirez des diagrammes en boîte pour en tirer des conclusions sur les données.

Quels outils et bibliothèques ce cours couvre-t-il ?

Le cours couvre Pandas pour la lecture de données de séries chronologiques et le calcul de données de performance, la bibliothèque HVPlot pour la création de graphiques de plusieurs séries chronologiques avec un widget de filtrage, et Matplotlib pour le traçage des données de performance calculées.

Quelles statistiques temporelles sont calculées dans ce cours ?

Le cours calcule des statistiques temporelles, y compris la croissance (variation en pourcentage), la moyenne mobile (moyenne sur 7 jours) et les rendements cumulés, démontrées sur des prix d'actions hypothétiques.

Quelles leçons sont incluses ?

Le cours comprend trois leçons : Données Temporelles avec un Graphique en Ligne, Traçage de Données Temporelles Calculées, et Création d'une Boîte à Moustaches pour Décrire des Données Temporelles.

Quelles compétences vais-je acquérir ?

Vous acquerrez des compétences en visualisation de données, visualisation scientifique, séries chronologiques, analyse visuelle, visualisation, et la Visualization Toolkit (VTK).