Przejdź do głównej treści

Strona główna Python

Kurs

Manipulowanie danymi szeregów czasowych w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 05.2022

W tym kursie poznasz podstawy pracy z danymi szeregów czasowych.

Zacznij kurs za darmo

PythonData Manipulation

4 godz.

16 filmów

55 Ćwiczeń

4,700 XP

71,639

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

W tym kursie poznasz podstawy manipulowania danymi szeregów czasowych. Szeregi czasowe to dane indeksowane sekwencją dat lub godzin. Nauczysz się korzystać z metod wbudowanych w bibliotekę Pandas do pracy z tym indeksem. Dowiesz się też, jak próbkować szeregi czasowe, aby zmieniać ich częstotliwość. Kurs pokaże ci również, jak obliczać wartości kroczące i skumulowane dla szeregów czasowych. Na koniec wykorzystasz wszystkie zdobyte umiejętności, aby zbudować ważony wartością indeks giełdowy na podstawie rzeczywistych danych o akcjach.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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!

Zacznij rozdział

Manipulowanie danymi szeregów czasowych w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Manipulowanie danymi szeregów czasowych w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.