Manipulation des séries temporelles
La gestion des données temporelles est essentielle pour analyser et prévoir des tendances dans les séries chronologiques. Cette section vous guide à travers les principales techniques de manipulation des séries temporelles avec pandas, vous permettant ainsi de décaler les données, appliquer des fenêtres glissantes et effectuer des regroupements temporels.
Ce que vous allez apprendre dans cette section :
Conversion en format datetime
Apprenez à convertir des chaînes de caractères ou des dates en objets datetime avec pd.to_datetime() pour manipuler facilement vos données temporelles.
Indexer un DataFrame par une colonne de dates
Découvrez comment définir une colonne de dates comme index de votre DataFrame pour faciliter l’accès aux données temporelles.
Décalage des valeurs avec shift()
Utilisez shift() pour décaler vos données sur une période donnée, utile pour analyser les valeurs par rapport à celles des périodes précédentes ou suivantes.
Appliquer une fenêtre glissante avec rolling()
Appliquez une fenêtre glissante avec rolling() pour effectuer des calculs sur des sous-ensembles de données temporelles.
Fenêtre glissante avec des fonctions d’agrégation (moyenne, somme, etc.)
Utilisez des fonctions d’agrégation comme la moyenne, la somme ou la médiane sur une fenêtre glissante pour lisser vos séries temporelles.
Fenêtre glissante avec une taille variable (dynamique)
Découvrez comment ajuster la taille de la fenêtre glissante en fonction de critères spécifiques, comme la saisonnalité ou la date.
Appliquer une fonction personnalisée sur une fenêtre glissante avec apply()
Appliquez une fonction personnalisée sur vos fenêtres glissantes avec apply() pour effectuer des transformations complexes sur vos données.
Utiliser des méthodes de resampling pour regrouper les données temporelles
Regroupez vos données temporelles à une fréquence différente (par exemple, d’horaire à quotidienne) grâce au resampling.
Gérer les valeurs manquantes avec des séries temporelles
Apprenez à traiter les valeurs manquantes dans vos séries temporelles, en utilisant l’interpolation ou en remplissant les valeurs manquantes avec des méthodes adaptées.
💡 Manipuler les séries temporelles, c’est comprendre l’évolution des données au fil du temps pour en dégager des tendances et des patterns significatifs.