¿Cómo utilizar series temporales en Pandas?

La biblioteca pandas en python proporciona un conjunto estándar de herramientas de series temporales y algoritmos de datos. De esta manera, podemos trabajar eficientemente con series de tiempo muy grandes y cortar y dividir, agregar y volver a muestrear fácilmente series de tiempo irregulares y de frecuencia fija.

Los datos de series temporales son una forma importante de datos estructurados que se utilizan en finanzas, economía, ecología, etc. Todo lo que se observa o mide en muchos puntos en el tiempo forma una serie temporal.

1. Marcas de tiempo: Estos son los instantes específicos en el tiempo
2. Período fijo: Esto representará como el mes de mayo 25 o el año completo 1999.

Módulos en DateTime

• fecha: Este módulo se utiliza para almacenar el calendario en el formato de año, mes, fecha.
• time: este módulo se utiliza para obtener y mostrar la hora en formato de horas, minutos, segundos y microsegundos.
• datetime: este módulo se utiliza para almacenar tanto la fecha como la hora.
• timedelta: este módulo se utiliza para obtener la diferencia entre dos valores de fecha y hora.

A continuación se muestran varios ejemplos que muestran cómo utilizar series temporales en la biblioteca de pandas:

Ejemplo 1: Muestra la fecha y hora actuales. En este programa, vamos a mostrar la fecha y la hora actuales.

# import datetime module 
# for getting date and time
from datetime import datetime
  
# command to display 
# current date and time
datetime.now()

Producción:

Ejemplo 2: Programa para mostrar hora, minutos, segundos, mes, año, día individualmente desde el módulo.

# import module
from datetime import datetime
  
# display all attributes
a=datetime.now()
print(a.year)
print(a.day)
print(a.month)
print(a.hour)
print(a.minute)
print(a.second)
print(a.microsecond)
print(a.date)

Producción:

Ejemplo 3: Diferencia entre dos fechas. Podemos obtener horas, días y minutos de diferencia usando el módulo timedelta.

# importing time delta module
from datetime import timedelta
  
# subtracting date from year 2027 to 2021
deltaresult = datetime(2027, 5, 7) - datetime(2021, 6, 24)
  
# display the result
print(deltaresult)
  
# to get days
print(deltaresult.days)
  
# to get seconds difference
print(deltaresult.seconds)

Producción:

Si queremos generar datos de series temporales, Python admitirá el módulo date_range . Esto generará fechas dentro de la frecuencia dada. Está disponible en el módulo pandas.

Sintaxis: pandas.date_range(inicio=Ninguno, final=Ninguno, períodos=Ninguno, frecuencia=Ninguno)

Parámetros:

• inicio: fecha de inicio hora desde la fecha de inicio.
• fin: especifique la hora de la fecha de finalización.
• freq: representa una frecuencia como horas, minutos o segundos.

Ejemplo 4: en este programa, podemos comenzar con el 1 de enero de 2021 y mostrar las fechas hasta marzo usando el método date_range.

# importing pandas module
import pandas as pd
  
# using date_range function to generate 
# dates from january 1 2021 to 
# march 16 2021 as periods = 75
dates = pd.date_range('1/1/2021', periods=75)
  
print(dates)

Producción:

Generación de valores para las fechas correspondientes mediante el uso de series temporales como índices.

Ejemplo 5: En este programa, damos valores a las fechas estableciendo fechas como índices para cada valor.

# importing pandas module
import pandas as pd
# importing numpy module for generating values
import numpy as np
  
# using date_range function to generate dates
# from january 1 2021 to march 16 2021 as periods = 75
dates = pd.date_range('1/1/2021', periods=75)
  
# giving values to dates
results = pd.Series(np.arange(75), index=dates)
  
# print results
print(results)
  
# converting to data frame
print(pd.DataFrame(results))

Producción:

Podemos convertir columnas de string de datos al tipo de fecha y hora utilizando el siguiente método.

Sintaxis:

pandas.to_datetime(nombre_columna)

Ejemplo 6: en este programa, convertiremos datos de string en tipo de fecha y hora.

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers 
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021',
                               '2/4/2020',
                               '1/3/2021',
                               '4/12/2017'],
                     'customers': [100, 30, 56, 56]})
  
# display original data
data
  
# converting dates column to date 
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# data after conversion
data

Producción:

Ejemplo 7: En este programa, vamos a tomar algunos datos de series temporales como índice, convertirlos y verificar si son iguales o no.

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers 
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021', '2/4/2020', 
                               '1/3/2021', '4/12/2017',
                               '1/2/2021', '2/4/2020', 
                               '1/3/2021'], 
                     'customers': [100, 30, 56, 
                                   56, 23, 45, 67]})
# display original data
data
  
# converting dates column to date 
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# after conversion
data
  
# finding unique time series data
print(data['dates'].nunique())
  
# counting each series data
data['dates'].value_counts()

Producción:

Ejemplo 8: Programa para mostrar un histograma de un marco de datos que tiene objetos DateTime.

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021', '2/4/2020',
                               '1/3/2021', '4/12/2017',
                               '1/2/2021', '2/4/2020',
                               '1/3/2021'],
                     'customers': [100, 30, 56,
                                   56, 23, 45, 67]})
# display original data
data
  
# converting dates column to date
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# depict visualization
data['dates'].hist(figsize=(10, 5), color="green")

Producción: