Weiter zum Inhalt

Startseite Python

Kurs

Zeitreihendaten in Python visualisieren

MittelSchwierigkeitsgrad

Aktualisiert 03/2022

Visualisiere Saisonalität, Trends und andere Muster in deinen Zeitreihendaten.

Kurs kostenlos starten

PythonData Visualization

4 Std.

17 Videos

59 Übungen

4,850 XP

26,456

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

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

Liniendiagramme

Du lernst, wie du grundlegende Plot-Werkzeuge in Python nutzt und wie du deine Zeitreihendiagramme annotierst und personalisierst. Am Ende dieses Kapitels kannst du aus jedem statischen Datensatz aussagekräftige Diagramme erstellen.

Willkommen zum Kurs!

Lade deine Zeitreihendaten

Prüfe, ob deine Daten den richtigen Typ haben

Erstelle dein erstes Time-Series-Diagramm

Dein erstes Diagramm!

Plotstile festlegen

Plots anzeigen und beschriften

Passe dein Zeitreihendiagramm an

Zeitreihendaten filtern

Vertikale und horizontale Markierungen hinzufügen

Füge deinem Plot schattierte Bereiche hinzu

Kapitel starten

2

Kennzahlen und Diagnose

In diesem Kapitel vertiefst du dein Verständnis für Zeitreihendaten, indem du Kennzahlen berechnest und aggregierte Ansichten deiner Daten darstellst.

Bereinige deine Zeitreihendaten

Fehlende Werte finden

Fehlende Werte behandeln

Aggregierte Ansichten deiner Daten plotten

Gleitende Durchschnitte anzeigen

Aggregierte Werte anzeigen

Fasse die Werte in deinen Zeitreihendaten zusammen

Numerische Zusammenfassungen berechnen

Boxplots und Histogramme

Dichteplots

Kapitel starten

3

Saisonalität, Trend und Rauschen

Du gehst über einfache Kennzahlen hinaus und lernst Autokorrelations- und partielle Autokorrelationsdiagramme kennen. Außerdem erfährst du, wie du Saisonalität, Trend und Rauschen in deinen Zeitreihendaten automatisch erkennst.

Autokorrelation und partielle Autokorrelation

Autokorrelation in Zeitreihendaten

Autokorrelationsplots interpretieren

Partielle Autokorrelation in Zeitreihendaten

Partielle Autokorrelationsdiagramme interpretieren

Saisonalität, Trend und Rauschen in Zeitreihendaten

Zeitreihenzerlegung

Einzelne Komponenten plotten

Ein kurzer Rückblick

Visualisiere den Airline-Datensatz

Analysiere den Airline-Datensatz

Zeitreihenzerlegung des Airline-Datensatzes

Kapitel starten

4

Mit mehreren Zeitreihen arbeiten

In der Data Science ist es üblich, an Projekten zu arbeiten, in denen mehrere Zeitreihen gleichzeitig untersucht werden. In diesem Kapitel zeigen wir dir, wie du mehrere Zeitreihen auf einmal darstellst und Beziehungen zwischen Zeitreihen entdeckst und beschreibst.

Mit mehr als einer Zeitreihe arbeiten

Mehrere Zeitreihen laden

Mehrere Zeitreihen visualisieren

Statistische Zusammenfassungen mehrerer Zeitreihen

Mehrere Zeitreihen plotten

Lege die Farbpalette deiner Plots fest

Füge deinem Zeitreihendiagramm zusammenfassende Statistiken hinzu

Zeichne deine Zeitreihen in einzelnen Plots

Beziehungen zwischen mehreren Zeitreihen erkennen

Korrelationen zwischen Zeitreihen berechnen

Korrelationsmatrizen visualisieren

Geklustertes Heatmap

Kapitel starten

5

Fallstudie: Arbeitslosenquote

In diesem Kapitel kannst du alle Kursinhalte praktisch anwenden. Du visualisierst die Arbeitslosenquote in den USA von 2000 bis 2010.

Wende dein Wissen auf einen neuen Datensatz an

Erkunde den Datensatz „Jobs“

Zeitreihendaten mit Boxplots beschreiben

Mehr als reine Zusammenfassungsstatistiken

Alle Zeitreihen in deinem Datensatz plotten

Wichtige Ereignisse in Zeitreihendaten annotieren

Monatliche und jährliche Trends plotten

Zeitreihendaten zerlegen

Zeitreihenzerlegung auf deinen Datensatz anwenden

Saisonalität mehrerer Zeitreihen visualisieren

Korrelationen zwischen Zeitreihen berechnen

Korrelationen zwischen mehreren Zeitreihen

Korrelationen interpretieren

Glückwunsch!

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!

DataCamp gibt es auch für Mobilgeräte

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