Weiter zum Inhalt

Startseite Python

Kurs

Zeitreihendaten in Python visualisieren

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 03/2022

Visualisiere Saisonalität, Trends und andere Muster in deinen Zeitreihendaten.

Kurs kostenlos starten

PythonData Visualization4 Std.17 Videos59 Übungen4,850 XP26,314Leistungsnachweis

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

Zeitreihendaten sind allgegenwärtig in der Data Science. Ob du Geschäftstrends analysierst, den Unternehmensumsatz prognostizierst oder das Kundenverhalten untersuchst – früher oder später wirst du mit Zeitreihendaten arbeiten. Dieser Kurs vermittelt dir praxisnahes Wissen, wie du Zeitreihendaten mit Python visualisieren kannst.

Voraussetzungen

Introduction to Data Visualization with Matplotlib Manipulating Time Series Data in Python

1

Line Plots

You will learn how to leverage basic plottings tools in Python, and how to annotate and personalize your time series plots. By the end of this chapter, you will be able to take any static dataset and produce compelling plots of your data.

Welcome to the course!

Load your time series data

Test whether your data is of the correct type

Plot your first time series

Your first plot!

Specify plot styles

Display and label plots

Customize your time series plot

Subset time series data

Add vertical and horizontal markers

Add shaded regions to your plot

Kapitel starten

2

Summary Statistics and Diagnostics

In this chapter, you will gain a deeper understanding of your time series data by computing summary statistics and plotting aggregated views of your data.

Clean your time series data

Find missing values

Handle missing values

Plot aggregates of your data

Display rolling averages

Display aggregated values

Summarize the values in your time series data

Compute numerical summaries

Boxplots and Histograms

Density plots

Kapitel starten

3

Seasonality, Trend and Noise

You will go beyond summary statistics by learning about autocorrelation and partial autocorrelation plots. You will also learn how to automatically detect seasonality, trend and noise in your time series data.

Autocorrelation and Partial autocorrelation

Autocorrelation in time series data

Interpret autocorrelation plots

Partial autocorrelation in time series data

Interpret partial autocorrelation plots

Seasonality, trend and noise in time series data

Time series decomposition

Plot individual components

A quick review

Visualize the airline dataset

Analyze the airline dataset

Time series decomposition of the airline dataset

Kapitel starten

4

Work with Multiple Time Series

In the field of Data Science, it is common to be involved in projects where multiple time series need to be studied simultaneously. In this chapter, we will show you how to plot multiple time series at once, and how to discover and describe relationships between multiple time series.

Working with more than one time series

Load multiple time series

Visualize multiple time series

Statistical summaries of multiple time series

Plot multiple time series

Define the color palette of your plots

Add summary statistics to your time series plot

Plot your time series on individual plots

Find relationships between multiple time series

Compute correlations between time series

Visualize correlation matrices

Clustered heatmaps

Kapitel starten

5

Case Study: Unemployment Rate

This chapter will give you a chance to practice all the concepts covered in the course. You will visualize the unemployment rate in the US from 2000 to 2010.

Apply your knowledge to a new dataset

Explore the Jobs dataset

Describe time series data with boxplots

Beyond summary statistics

Plot all the time series in your dataset

Annotate significant events in time series data

Plot monthly and yearly trends

Decompose time series data

Apply time series decomposition to your dataset

Visualize the seasonality of multiple time series

Compute correlations between time series

Correlations between multiple time series

Interpret correlations

Congratulations!

Kapitel starten

Zeitreihendaten in Python visualisieren

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 Zeitreihendaten in Python visualisieren 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.