<\/p>\n
Ricampionare<\/strong> i dati delle serie temporali significa aggregare i dati in un nuovo periodo.<\/span><\/p>\n Se desideri ricampionare una serie temporale in panda utilizzando l’operatore groupby<\/strong> , puoi utilizzare la seguente sintassi di base:<\/span><\/p>\n Questo particolare esempio raggruppa le righe del DataFrame per colonna negozio<\/strong> , quindi ricampiona le serie temporali per settimana ( freq=’W’<\/strong> ), quindi calcola la somma dei valori nella colonna vendite<\/strong> .<\/span><\/p>\n Tieni presente che possiamo ricampionare i dati delle serie temporali in periodi di tempo diversi, tra cui:<\/span><\/p>\n L’esempio seguente mostra come ricampionare nella pratica i dati delle serie temporali con un’operazione groupby<\/strong> .<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che mostra le vendite totali effettuate ogni giorno in due negozi diversi:<\/span><\/p>\n Diciamo che vogliamo raggruppare le righe per negozio<\/strong> , quindi ricampionare le serie temporali per settimana, quindi calcolare la somma dei valori nella colonna delle vendite<\/strong> .<\/span><\/p>\n Possiamo usare la seguente sintassi per fare questo:<\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Da notare che in questo esempio abbiamo scelto di calcolare la somma dei valori presenti nella colonna vendite<\/strong> .<\/span><\/p>\n Tuttavia, potremmo scegliere altri parametri come conteggio, media, mediana, minimo, massimo, ecc.<\/span><\/p>\n Sostituisci semplicemente sum()<\/strong> nel codice sopra con count()<\/strong> , Mean()<\/strong> , Median()<\/strong> , ecc. per calcolare la metrica di tua scelta.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni in Python:<\/span><\/p>\n Come tracciare una serie temporale in Matplotlib<\/a> Ricampionare i dati delle serie temporali significa aggregare i dati in un nuovo periodo. Se desideri ricampionare una serie temporale in panda utilizzando l’operatore groupby , puoi utilizzare la seguente sintassi di base: 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
Esempio: ricampionare una serie temporale con groupby in 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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come tracciare una serie temporale in Seaborn<\/a>
Come calcolare MAPE dalle serie temporali in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"