āļ‚āđ‰āļēāļĄāđ„āļ›āļĒāļąāļ‡āđ€āļ™āļ·āđ‰āļ­āļŦāļēāļŦāļĨāļąāļ

āļ„āļ­āļĢāđŒāļŠāļŸāļĢāļĩ

āļāļēāļĢāļˆāļąāļ”āļāļēāļĢāļ‚āđ‰āļ­āļĄāļđāļĨ Time Series āđƒāļ™ Python

āļ‚āļąāđ‰āļ™āļāļĨāļēāļ‡4 āļŠāļĄ.

āđƒāļ™āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰ āļ„āļļāļ“āļˆāļ°āđ„āļ”āđ‰āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļžāļ·āđ‰āļ™āļāļēāļ™āļ‚āļ­āļ‡āļāļēāļĢāļ—āļģāļ‡āļēāļ™āļāļąāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļ­āļ™āļļāļāļĢāļĄāđ€āļ§āļĨāļē

Python4 āļŠāļĄ.āļŦāļ™āļąāļ‡āļŠāļ·āļ­āļĢāļąāļšāļĢāļ­āļ‡āļ„āļ§āļēāļĄāļŠāļģāđ€āļĢāđ‡āļˆ

āļŠāļĢāđ‰āļēāļ‡āļšāļąāļāļŠāļĩāļŸāļĢāļĩāļ‚āļ­āļ‡āļ„āļļāļ“

āļ”āļģāđ€āļ™āļīāļ™āļāļēāļĢāļ•āđˆāļ­āļ”āđ‰āļ§āļĒ Google
āļŦāļĢāļ·āļ­
āđ€āļĄāļ·āđˆāļ­āļ”āļģāđ€āļ™āļīāļ™āļāļēāļĢāļ•āđˆāļ­ āļ–āļ·āļ­āļ§āđˆāļēāļ„āļļāļ“āļĒāļ­āļĄāļĢāļąāļš āļ‚āđ‰āļ­āļāļģāļŦāļ™āļ”āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āđāļĨāļ° āļ™āđ‚āļĒāļšāļēāļĒāļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļŠāđˆāļ§āļ™āļ•āļąāļ§ āđāļĨāļ°āļĒāļ­āļĄāļĢāļąāļšāļ§āđˆāļēāļ‚āđ‰āļ­āļĄāļđāļĨāļ‚āļ­āļ‡āļ„āļļāļ“āļˆāļ°āļ–āļđāļāļˆāļąāļ”āđ€āļāđ‡āļšāđƒāļ™āļŠāļŦāļĢāļąāļāļ­āđ€āļĄāļĢāļīāļāļē

āđ„āļ”āđ‰āļĢāļąāļšāļ„āļ§āļēāļĄāđ„āļ§āđ‰āļ§āļēāļ‡āđƒāļˆāļˆāļēāļāļœāļđāđ‰āđ€āļĢāļĩāļĒāļ™āđƒāļ™āļšāļĢāļīāļĐāļąāļ—āļŦāļĨāļēāļĒāļžāļąāļ™āđāļŦāđˆāļ‡

āļāļģāļĨāļąāļ‡āļāļķāļāļ­āļšāļĢāļĄāļ—āļĩāļĄāļ­āļĒāļđāđˆāđƒāļŠāđˆāđ„āļŦāļĄ?

āļ—āļ”āļĨāļ­āļ‡āđƒāļŠāđ‰āļŠāļģāļŦāļĢāļąāļšāļ­āļ‡āļ„āđŒāļāļĢ â†’

āļĢāļēāļĒāļĨāļ°āđ€āļ­āļĩāļĒāļ”āļ„āļ­āļĢāđŒāļŠ

āđƒāļ™āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰ āļ„āļļāļ“āļˆāļ°āđ„āļ”āđ‰āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļžāļ·āđ‰āļ™āļāļēāļ™āļāļēāļĢāļˆāļąāļ”āļāļēāļĢāļ‚āđ‰āļ­āļĄāļđāļĨ time series āļ‹āļķāđˆāļ‡āđ€āļ›āđ‡āļ™āļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđƒāļŠāđ‰āļĨāļģāļ”āļąāļšāļ§āļąāļ™āļ—āļĩāđˆāļŦāļĢāļ·āļ­āđ€āļ§āļĨāļēāđ€āļ›āđ‡āļ™ index āļˆāļ°āđ„āļ”āđ‰āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ§āļīāļ˜āļĩāđƒāļŠāđ‰āđ€āļĄāļ˜āļ­āļ”āļ—āļĩāđˆāļĄāļĩāļ­āļĒāļđāđˆāđƒāļ™ Pandas āđ€āļžāļ·āđˆāļ­āļ—āļģāļ‡āļēāļ™āļāļąāļš index āļ™āļĩāđ‰ āļĢāļ§āļĄāļ–āļķāļ‡āļāļēāļĢ resample time series āđ€āļžāļ·āđˆāļ­āđ€āļ›āļĨāļĩāđˆāļĒāļ™āļ„āļ§āļēāļĄāļ–āļĩāđˆāļ‚āļ­āļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ āļ™āļ­āļāļˆāļēāļāļ™āļĩāđ‰ āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āļĒāļąāļ‡āļŠāļ­āļ™āļ§āļīāļ˜āļĩāļ„āļģāļ™āļ§āļ“āļ„āđˆāļē rolling āđāļĨāļ°āļ„āđˆāļēāļŠāļ°āļŠāļĄāļŠāļģāļŦāļĢāļąāļš time series āļ—āđ‰āļēāļĒāļ—āļĩāđˆāļŠāļļāļ” āļ„āļļāļ“āļˆāļ°āļ™āļģāļ—āļąāļāļĐāļ°āļ—āļąāđ‰āļ‡āļŦāļĄāļ”āļĄāļēāđƒāļŠāđ‰āļŠāļĢāđ‰āļēāļ‡āļ”āļąāļŠāļ™āļĩāļŦāļļāđ‰āļ™āđāļšāļšāļ–āđˆāļ§āļ‡āļ™āđ‰āļģāļŦāļ™āļąāļāļ•āļēāļĄāļĄāļđāļĨāļ„āđˆāļēāļˆāļēāļāļ‚āđ‰āļ­āļĄāļđāļĨāļŦāļļāđ‰āļ™āļˆāļĢāļīāļ‡

āļ‚āđ‰āļ­āļāļģāļŦāļ™āļ”āđ€āļšāļ·āđ‰āļ­āļ‡āļ•āđ‰āļ™

āļŦāļĨāļąāļāļŠāļđāļ•āļĢ

āđ‚āļ„āļĢāļ‡āļĢāđˆāļēāļ‡āļ„āļ­āļĢāđŒāļŠ

1

āļāļēāļĢāļ—āļģāļ‡āļēāļ™āļāļąāļš Time Series āđƒāļ™ Pandas

āļšāļ—āļ™āļĩāđ‰āļ§āļēāļ‡āļĢāļēāļāļāļēāļ™āļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļŸāļĩāđ€āļˆāļ­āļĢāđŒ time series āļ­āļąāļ™āļ—āļĢāļ‡āļžāļĨāļąāļ‡āļ‚āļ­āļ‡ Pandas āđ‚āļ”āļĒāđ€āļ‰āļžāļēāļ° DateTimeIndex āļ„āļļāļ“āļˆāļ°āđ„āļ”āđ‰āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ§āļīāļ˜āļĩāļŠāļĢāđ‰āļēāļ‡āđāļĨāļ°āļˆāļąāļ”āļāļēāļĢāļ‚āđ‰āļ­āļĄāļđāļĨāļ§āļąāļ™āļ—āļĩāđˆāđāļĨāļ° time series āļĢāļ§āļĄāļ–āļķāļ‡āļ§āļīāļ˜āļĩāļ„āļģāļ™āļ§āļ“āļāļąāļš DataFrame āļ—āļĩāđˆāļĢāļąāļšāļĢāļđāđ‰āđ€āļ§āļĨāļē āđ€āļŠāđˆāļ™ āļāļēāļĢāđ€āļĨāļ·āđˆāļ­āļ™āļ‚āđ‰āļ­āļĄāļđāļĨāđƒāļ™āļŠāđˆāļ§āļ‡āđ€āļ§āļĨāļēāļ•āđˆāļēāļ‡ āđ† āđāļĨāļ°āļāļēāļĢāļ„āļģāļ™āļ§āļ“āļœāļĨāļ•āļ­āļšāđāļ—āļ™āđ€āļ‰āļžāļēāļ°āļŠāđˆāļ§āļ‡
āđ€āļĢāļīāđˆāļĄāļšāļ—
2

āđ€āļĄāļ•āļĢāļīāļ Time Series āđ€āļšāļ·āđ‰āļ­āļ‡āļ•āđ‰āļ™āđāļĨāļ°āļāļēāļĢ Resampling

āļšāļ—āļ™āļĩāđ‰āđ€āļˆāļēāļ°āļĨāļķāļāļŸāļĩāđ€āļˆāļ­āļĢāđŒ time series āļ—āļĩāđˆāļˆāļģāđ€āļ›āđ‡āļ™āļ‚āļ­āļ‡ pandas DataTimeIndex āļžāļĢāđ‰āļ­āļĄāđāļ™āļ°āļ™āļģāļāļēāļĢ resampling āđāļĨāļ°āļ§āļīāļ˜āļĩāđ€āļ›āļĢāļĩāļĒāļšāđ€āļ—āļĩāļĒāļš time series āļ•āđˆāļēāļ‡ āđ† āđ‚āļ”āļĒāļāļēāļĢ normalize āļˆāļļāļ”āđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™
āđ€āļĢāļīāđˆāļĄāļšāļ—
3

Window Functions: āđ€āļĄāļ•āļĢāļīāļāđāļšāļš Rolling āđāļĨāļ° Expanding

āļšāļ—āļ™āļĩāđ‰āļˆāļ°āđāļŠāļ”āļ‡āļ§āļīāļ˜āļĩāđƒāļŠāđ‰ window functions āđ€āļžāļ·āđˆāļ­āļ„āļģāļ™āļ§āļ“āđ€āļĄāļ•āļĢāļīāļ time series āļ—āļąāđ‰āļ‡āđƒāļ™āđāļšāļš rolling window āđāļĨāļ° expanding window
āđ€āļĢāļīāđˆāļĄāļšāļ—
4

āļ›āļĢāļ°āļĒāļļāļāļ•āđŒāļ—āļļāļāļ­āļĒāđˆāļēāļ‡āđ€āļ‚āđ‰āļēāļ”āđ‰āļ§āļĒāļāļąāļ™: āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āļ”āļąāļŠāļ™āļĩāļ–āđˆāļ§āļ‡āļ™āđ‰āļģāļŦāļ™āļąāļāļ•āļēāļĄāļĄāļđāļĨāļ„āđˆāļē

āļšāļ—āļ™āļĩāđ‰āļ™āļģāđāļ™āļ§āļ„āļīāļ”āļ—āļĩāđˆāļœāđˆāļēāļ™āļĄāļēāļ—āļąāđ‰āļ‡āļŦāļĄāļ”āļĄāļēāļ›āļĢāļ°āļĒāļļāļāļ•āđŒāđƒāļŠāđ‰ āđ‚āļ”āļĒāļŠāļ­āļ™āļ§āļīāļ˜āļĩāļŠāļĢāđ‰āļēāļ‡āļ”āļąāļŠāļ™āļĩāļ–āđˆāļ§āļ‡āļ™āđ‰āļģāļŦāļ™āļąāļāļ•āļēāļĄāļĄāļđāļĨāļ„āđˆāļē āļ”āļąāļŠāļ™āļĩāļ™āļĩāđ‰āđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨ market cap āļˆāļēāļāļĢāļēāļĒāļŠāļ·āđˆāļ­āđƒāļ™āļ•āļĨāļēāļ”āļŦāļĨāļąāļāļ—āļĢāļąāļžāļĒāđŒāđ€āļžāļ·āđˆāļ­āļ„āļģāļ™āļ§āļ“āļ™āđ‰āļģāļŦāļ™āļąāļ āļĢāđˆāļ§āļĄāļāļąāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļĢāļēāļ„āļēāļŦāļļāđ‰āļ™āļ›āļĩ 2016 āļˆāļēāļāļ™āļąāđ‰āļ™āļˆāļ°āđ€āļ›āļĢāļĩāļĒāļšāđ€āļ—āļĩāļĒāļšāļœāļĨāļāļēāļĢāļ”āļģāđ€āļ™āļīāļ™āļ‡āļēāļ™āļ‚āļ­āļ‡āļ”āļąāļŠāļ™āļĩāļāļąāļšāđ€āļāļ“āļ‘āđŒāļ­āđ‰āļēāļ‡āļ­āļīāļ‡ āđ€āļžāļ·āđˆāļ­āļ›āļĢāļ°āđ€āļĄāļīāļ™āļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāļ‚āļ­āļ‡āļ”āļąāļŠāļ™āļĩāļ—āļĩāđˆāļŠāļĢāđ‰āļēāļ‡āļ‚āļķāđ‰āļ™
āđ€āļĢāļīāđˆāļĄāļšāļ—

āļāļēāļĢāļˆāļąāļ”āļāļēāļĢāļ‚āđ‰āļ­āļĄāļđāļĨ Time Series āđƒāļ™ Python

āđ€āļĢāļĩāļĒāļ™āļ„āļ­āļĢāđŒāļŠāļˆāļšāđāļĨāđ‰āļ§

āļĢāļąāļšāđƒāļšāļĢāļąāļšāļĢāļ­āļ‡āļ„āļ§āļēāļĄāļŠāļģāđ€āļĢāđ‡āļˆ

āļĨāļ‡āļ—āļ°āđ€āļšāļĩāļĒāļ™āđ€āļĨāļĒ

āļžāļąāļ’āļ™āļēāļ—āļąāļāļĐāļ°āļ”āđ‰āļēāļ™āļ‚āđ‰āļ­āļĄāļđāļĨāļ‚āļ­āļ‡āļ„āļļāļ“āļ”āđ‰āļ§āļĒ DataCamp for Mobile

āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āđ„āļ”āđ‰āļ—āļļāļāļ—āļĩāđˆāļ”āđ‰āļ§āļĒāļ„āļ­āļĢāđŒāļŠāļšāļ™āļĄāļ·āļ­āļ–āļ·āļ­āđāļĨāļ°āđ‚āļˆāļ—āļĒāđŒāđ€āļ‚āļĩāļĒāļ™āđ‚āļ„āđ‰āļ” 5 āļ™āļēāļ—āļĩāļ›āļĢāļ°āļˆāļģāļ§āļąāļ™