Weiter zum Inhalt

Startseite Python

Kurs

Zeitreihen in Python bearbeiten

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 05/2022

In diesem Kurs lernst du die Grundlagen der Arbeit mit Zeitreihendaten.

Kurs kostenlos starten

PythonData Manipulation4 Std.16 Videos55 Übungen4,700 XP71,093Leistungsnachweis

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Training für 2 oder mehr Personen?

Probiere es mit DataCamp for Business

Kursbeschreibung

In diesem Kurs lernst du die Grundlagen der Arbeit mit Zeitreihendaten. Zeitreihendaten sind Daten, die über eine Folge von Daten oder Zeiten indiziert sind. Du lernst, wie du die in Pandas eingebauten Methoden nutzt, um mit diesem Index zu arbeiten. Außerdem erfährst du, wie du Zeitreihen neu abtastest (Resampling), um die Frequenz zu ändern. Der Kurs zeigt dir auch, wie du rollierende und kumulative Werte für Zeitreihen berechnest. Zum Schluss setzt du all diese Fähigkeiten ein, um aus echten Börsendaten einen wertgewichteten Aktienindex zu erstellen.

Voraussetzungen

Data Manipulation with pandas

1

Working with Time Series in Pandas

This chapter lays the foundations to leverage the powerful time series functionality made available by how Pandas represents dates, in particular by the DateTimeIndex. You will learn how to create and manipulate date information and time series, and how to do calculations with time-aware DataFrames to shift your data in time or create period-specific returns.

How to use dates & times with pandas

Your first time series

Indexing & resampling time series

Create a time series of air quality data

Compare annual stock price trends

Set and change time series frequency

Lags, changes, and returns for stock price series

Shifting stock prices across time

Calculating stock price changes

Plotting multi-period returns

Kapitel starten

2

Basic Time Series Metrics & Resampling

This chapter dives deeper into the essential time series functionality made available through the pandas DataTimeIndex. It introduces resampling and how to compare different time series by normalizing their start points.

Compare time series growth rates

Compare the performance of several asset classes

Comparing stock prices with a benchmark

Plot performance difference vs benchmark index

Changing the time series frequency: resampling

Convert monthly to weekly data

Create weekly from monthly unemployment data

Upsampling & interpolation with .resample()

Use interpolation to create weekly employment data

Interpolate debt/GDP and compare to unemployment

Downsampling & aggregation

Compare weekly, monthly and annual ozone trends for NYC & LA

Compare monthly average stock prices for Facebook and Google

Compare quarterly GDP growth rate and stock returns

Visualize monthly mean, median and standard deviation of S&P500 returns

Kapitel starten

3

Window Functions: Rolling & Expanding Metrics

This chapter will show you how to use window function to calculate time series metrics for both rolling and expanding windows.

Rolling window functions with pandas

Rolling average air quality since 2010 for new york city

Rolling 360-day median & std. deviation for nyc ozone data since 2000

Rolling quantiles for daily air quality in nyc

Expanding window functions with pandas

Cumulative sum vs .diff()

Cumulative return on $1,000 invested in google vs apple I

Cumulative return on $1,000 invested in google vs apple II

Case study: S&P500 price simulation

Random walk I

Random walk II

Random walk III

Relationships between time series: correlation

Annual return correlations among several stocks

Kapitel starten

4

Putting it all together: Building a value-weighted index

This chapter combines the previous concepts by teaching you how to create a value-weighted index. This index uses market-cap data contained in the stock exchange listings to calculate weights and 2016 stock price information. Index performance is then compared against benchmarks to evaluate the performance of the index you created.

Select index components & import data

Explore and clean company listing information

Select and inspect index components

Import index component price information

Build a market-cap weighted index

Calculate number of shares outstanding

Create time series of market value

Calculate & plot the composite index

Evaluate index performance

Calculate the contribution of each stock to the index

Compare index performance against benchmark I

Compare index performance against benchmark II

Index correlation & exporting to Excel

Visualize your index constituent correlations

Save your analysis to multiple excel worksheets

Congratulations!

Kapitel starten

Zeitreihen in Python bearbeiten

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in Deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Zeitreihen in Python bearbeiten heute!

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.