<\/p>\n
Pengambilan sampel ulang<\/strong> data deret waktu berarti menggabungkan data dalam periode baru.<\/span><\/p>\n Jika Anda ingin mengambil sampel ulang rangkaian waktu di panda menggunakan operator groupby<\/strong> , Anda dapat menggunakan sintaks dasar berikut:<\/span><\/p>\n Contoh khusus ini mengelompokkan baris kolom DataFrame menurut toko<\/strong> , lalu mengambil sampel ulang rangkaian waktu berdasarkan minggu ( freq=’W’<\/strong> ), lalu menghitung jumlah nilai di kolom penjualan<\/strong> .<\/span><\/p>\n Perhatikan bahwa kami dapat mengambil sampel ulang data deret waktu ke periode waktu yang berbeda, termasuk:<\/span><\/p>\n Contoh berikut menunjukkan cara mengambil sampel ulang data deret waktu dengan operasi grup demi<\/strong> dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki panda DataFrame berikut yang menunjukkan total penjualan yang dilakukan setiap hari di dua toko berbeda:<\/span><\/p>\n Katakanlah kita ingin mengelompokkan baris berdasarkan store<\/strong> , lalu mengambil sampel ulang deret waktu berdasarkan minggu, lalu menghitung jumlah nilai di kolom penjualan<\/strong> .<\/span><\/p>\n Kita dapat menggunakan sintaks berikut untuk melakukan ini:<\/span><\/p>\n Dari hasilnya kita dapat melihat:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Perhatikan bahwa dalam contoh ini kami memilih untuk menghitung jumlah nilai di kolom penjualan<\/strong> .<\/span><\/p>\n Namun, kita dapat memilih metrik lain seperti jumlah, rata-rata, median, min, maks, dll.<\/span><\/p>\n Cukup ganti sum()<\/strong> pada kode di atas dengan count()<\/strong> , Mean()<\/strong> , Median()<\/strong> , dll. untuk menghitung metrik pilihan Anda.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya dengan Python:<\/span><\/p>\n Cara memplot deret waktu di Matplotlib<\/a> Pengambilan sampel ulang data deret waktu berarti menggabungkan data dalam periode baru. Jika Anda ingin mengambil sampel ulang rangkaian waktu di panda menggunakan operator groupby , Anda dapat menggunakan sintaks dasar berikut: group = df. groupby ([pd. Group (freq=’ W ‘), ‘ store ‘]) result = group[‘ sales ‘]. sum (). unstack (‘ store ‘). […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n group = df. groupby<\/span> ([pd. Group<\/span> (freq=' W<\/span> '), ' store<\/span> '])\n\nresult = group[' sales<\/span> ']. sum<\/span> (). unstack<\/span> (' store<\/span> '). fillna<\/span> (0) \n<\/strong><\/pre>\n\n
Contoh: Contoh ulang deret waktu dengan groupby di Pandas<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' sales<\/span> ': [13, 14, 17, 17, 16, 22, 28, 10, 17, 10, 11],\n ' store<\/span> ': ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B', 'B']} ,\n index=pd. date_range<\/span> ('2023-01-06', '2023-01-16', freq='d'))\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n sales store\n2023-01-06 13 A\n2023-01-07 14 A\n2023-01-08 17 A\n2023-01-09 17 A\n2023-01-10 16A\n2023-01-11 22 B\n2023-01-12 28 B\n2023-01-13 10 B\n2023-01-14 17 B\n2023-01-15 10 B\n2023-01-16 11 B<\/strong><\/pre>\n #group by store and resample time series by week<\/span>\ngroup = df. groupby<\/span> ([pd. Group<\/span> (freq=' W<\/span> '), ' store<\/span> '])\n\n#calculate sum of sales each week by store\n<\/span>result = group[' sales<\/span> ']. sum<\/span> (). unstack<\/span> (' store<\/span> '). fillna<\/span> (0)\n\n#view results<\/span>\nprint<\/span> (result)\n\nstore AB\n2023-01-08 14.0 0.0\n2023-01-15 16.5 17.0\n2023-01-22 0.0 11.0\n<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara membuat plot deret waktu di Seaborn<\/a>
Cara menghitung MAPE dari deret waktu dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"