Python: Utilizar a visualização temporal

Name: Python: Utilizar a visualização temporal
Author: Brian Higgins

Plotar e compreender dados de séries temporais

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

Curso: sob demanda

Olá, meu nome é Brian Higgins, e nestas lições irei mostrar como utilizar a visualização temporal. Nesta lição, você verá dados temporais ou de séries temporais sobre um gráfico linear. Vamos primeiro desenhar nossos dados de série temporal em um gráfico de linhas. Então vamos desenhar um gráfico de linhas mostrando várias vezes Series. Neste conjunto de código que vamos analisar aqui, dados temporais também são conhecidos como dados de série temporal. Isso pode ser visto como um acompanhamento do desempenho ao longo do tempo ou olhando dados em uma linha do tempo. Você pode acompanhar coisas como população, matrículas, temperatura ou desempenho do estoque ao longo do tempo. Nesta lição, usaremos a biblioteca Pandas para carregar estoque dados de um arquivo e plotar esses dados de estoque ao longo do tempo. O data frame do Pandas é muito útil para leitura no tempo dados de série de um arquivo e, em seguida, manipulá-los para fins de visualização. Então, no código aqui, vamos importar dados do Pandas biblioteca e também importaremos a biblioteca Pyplot. Na próxima linha de código aqui, vamos ler usando o arquivo CSV de leitura do Pandas, o arquivo será chamado de Stocks CSV. E na coluna Data, vamos dizer ao Pandas para analisar esses valores como datas. Então é isso que o parâmetro datas de análise é igual a verdadeiro está dizendo lá. E então atribuiremos isso a um DF de ações que significa Ações quadro de dados. Vamos apenas dar uma olhada na aparência do nosso arquivo CSV do Stocks. Este é um formato de arquivo Excel CSV. É um formato separado por vírgula. Portanto, neste arquivo teremos uma coluna de data com nossos dados de data. E estas são todas as datas de dezembro de 2022. Portanto, todos os valores das ações da Apple AAPL, Tesla estoque TSLA e o espião S e P 500 tudo novamente para dezembro de 2022. Portanto, o próximo comando que chamaremos é a função plot usando nosso quadro de dados de ações. E o que faremos é, ao longo do eixo y, traçarmos nossa Apple estocar Tesla e S e P 500, e também estamos dizendo para use nosso índice, que era nosso campo de data. Portanto, este índice de uso é igual a verdadeiro está apenas dizendo, certifique-se de use a data como índice e isso será executado ao longo do eixo x. Então vamos mostrar esse enredo. Ok, então observe as datas ao longo do eixo x. Os preços estão ao longo do eixo y aqui. E também temos uma lenda. O azul é Apple, o laranja é Tesla e o verde é S e P 500. Obviamente S e P 500 são muito mais altos. Você notará que a linha laranja de Tesla deu um mergulho e depois recuperou um pouco no final de dezembro. A seguir, usaremos o data frame do Pandas e o Hvplot para ler armazenar dados novamente e traçar isso usando um widget de filtro para que possamos filtrar qual gráfico de linha queremos ver especificamente para qualquer ação que estamos olhando. Então, neste caso, importaremos Pandas e Hvplot. Pandas ok, e então chamaremos a função de leitura CSV do Pandas. Desta vez, vamos ler o widget CSV de sublinhado de ações. E a razão é porque tem um layout diferente. E vamos dar uma olhada nisso em um segundo. Chamaremos as datas de análise de iguais a verdadeiras. Passaremos isso como um parâmetro que apenas diz leia a coluna de data como datas. OK? E então atribuiremos isso a uma variável chamada stocksdf. Vamos dar uma olhada no arquivo CSV do widget de ações. Observe que o layout deste arquivo é um pouco diferente e isso nos permitirá usar esse widget de filtro. Ok, então temos todas as datas na coluna de datas. Temos todos os tickers na coluna ticker. Portanto, temos Apple, Tesla, bem como S e P 500, e então todos os seus preços de fechamento ajustados também estão lá. E isso novamente é tudo para dezembro de 2022. Ok, então vamos ler isso e definir o índice para o data. E então vamos dar uma olhada na aparência desse quadro de dados como ter lido. Ok, então temos nosso índice de data, nossa coluna de ticker e nosso datas de fechamento ajustadas. Agora, estas são apenas as primeiras cinco linhas dos nossos quadros de dados, então não veremos todos os diferentes tickers lá. E agora vamos chamar a função hvplot dos frames de dados passando no grupo por é igual ao ticker. E veremos o que isso nos permite fazer com este widget de filtro. Ok, agora traçamos por data. O preço de fechamento ajustado, neste caso, pela Apple é exatamente o que surgiu por padrão. Observe que você também tem seus diferentes widgets interativos aqui no lado direito fornecido pelo gráfico Hv. Mas o mais importante é que você pode filtrar e ver especificamente no gráfico de linhas de qualquer cotação da bolsa que você quero ver. Portanto, neste caso, Tesla S e P 500. E inicialmente vimos maçã. Ok, então este widget de filtro também é muito útil para procurar em seus dados. Obrigado por assistir. Fique ligado na próxima lição onde traçaremos o cálculo dados temporais.

Intermediário Fornecedor : Brian Higgins 3 lições · 17m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

Nestas lições, irá utilizar o Pandas para ler dados de séries temporais de um ficheiro Excel. Os dados temporais ou de séries temporais podem ser considerados como o acompanhamento do desempenho ao longo do tempo ou a observação de dados numa linha temporal. Vamos mostrar-lhe como traçar várias séries temporais no mesmo gráfico e tirar conclusões sobre os dados a partir dos gráficos. Além disso, utilizará a biblioteca HVPlot para representar graficamente várias séries cronológicas e concentrar-se nelas individualmente com um widget de filtro.

Também lhe mostraremos como utilizar o Pandas para calcular dados baseados no desempenho de preços hipotéticos de acções e, em seguida, como representar os dados e fazer inferências com base nesses gráficos. Os dados de desempenho calculados serão estatísticas temporais, como crescimento (variação percentual), média móvel (média de 7 dias) e retornos acumulados. Também desenhará gráficos de caixa usando dados de séries temporais para visualizar informações estatísticas em cada série.

O Que Você Vai Aprender

Importe e represente graficamente dados de séries temporais de um arquivo Excel usando Pandas
Represente graficamente múltiplas séries temporais no mesmo gráfico e extraia inferências dos gráficos
Use a biblioteca HVPlot para representar graficamente múltiplas séries temporais e concentre-se em séries individuais com um widget de filtro
Calcule estatísticas temporais baseadas em desempenho, como crescimento (mudança percentual), média móvel (média de 7 dias) e retornos cumulativos
Represente graficamente dados de desempenho calculados com Matplotlib e extraia inferências dos gráficos
Crie e leia gráficos de caixa para visualizar informações estatísticas sobre dados de séries temporais

Principais Conclusões

Dados temporais ou de séries temporais rastreiam desempenho ao longo do tempo ou visualizam dados em uma linha do tempo.
Pandas pode ler dados de séries temporais de um arquivo Excel e calcular dados baseados em desempenho em preços hipotéticos de ações.
A biblioteca HVPlot permite que você represente graficamente múltiplas séries temporais e concentre-se em séries individuais usando um widget de filtro.
Estatísticas temporais calculadas incluem crescimento (mudança percentual), média móvel (média de 7 dias) e retornos cumulativos.
Gráficos de caixa podem ser desenhados a partir de dados de séries temporais para visualizar informações estatísticas em cada série.

Perguntas Frequentes

O que vou aprender neste curso?

Você usará Pandas para ler dados de séries temporais de um arquivo Excel, representar graficamente múltiplas séries temporais no mesmo gráfico, usar a biblioteca HVPlot com um widget de filtro, calcular estatísticas temporais baseadas em desempenho, representar graficamente os dados com Matplotlib e criar e ler gráficos de caixa para extrair inferências sobre os dados.

Quais ferramentas e bibliotecas este curso abrange?

O curso abrange Pandas para ler dados de séries temporais e calcular dados de desempenho, a biblioteca HVPlot para representar graficamente múltiplas séries temporais com um widget de filtro e Matplotlib para representar graficamente dados de desempenho calculados.

Quais estatísticas temporais são calculadas neste curso?

O curso calcula estatísticas temporais incluindo crescimento (mudança percentual), média móvel (média de 7 dias) e retornos cumulativos, demonstrados em preços hipotéticos de ações.

Quais lições são incluídas?

O curso inclui três lições: Dados Temporais Com um Gráfico de Linha, Representação Gráfica de Dados Temporais Calculados e Criação de um Gráfico de Caixa para Descrever Dados Temporais.

Quais habilidades vou ganhar?

Você ganhará habilidades em visualização de dados, visualização científica, séries temporais, análise visual, visualização e o Kit de Ferramentas de Visualização (VTK).