Contenido del Curso

Análisis de Series Temporales

1. Serie Temporal: Comencemos

Introducción Ejemplos Prácticos Tipos de Modelo Implementación en Python Visualización

2. Procesamiento de Series Temporales

Lectura y Visualización de Datos Estacionariedad Autocorrelación Descomposición

3. Visualización de Series Temporales

Serie Temporal Simple Personaliza Tu Parcela Reto

4. Modelos Estacionarios

Ejemplos de Series de Tiempo Estacionarias Media Móvil Simple Auto-regresión Modelo Autorregresivo Integrado de Media Móvil Desafío

5. Modelos No Estacionarios

Ejemplos de Series de Tiempo No Estacionarias Convertir Datos No Estacionarios a Estacionarios Desafio 1 Desafío 2

6. Resuelve Problemas Reales

Pronóstico del Tiempo Pronóstico de Demanda de la Tienda Mercados Financieros Predice la Aparición de Clientes Repetitivos Medicina: Pronóstico de EEG

Serie Temporal Simple

El papel de la visualización en el análisis de series temporales ya le ha quedado demostrado en la sección anterior. Un vistazo experto al gráfico puede bastar para comprender si los datos son estacionarios o no, qué patrones principales hay en ellos, etc.

A pesar de ello, es importante recordar que la valoración de un experto no es exacta, por lo que seguimos recomendando utilizar métodos formales (pruebas) para analizar sus datos.

Ya sabe cómo implementar la visualización 2D:

``python import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(11, 9)) ax.plot(dataset["Fecha"], dataset["NO2"]) ax.set_xlabel("Fecha") ax.set_ylabel("NO2") plt.show()

Pero tomemos como ejemplo una situación en la que necesitamos tener en cuenta 2 o 3 variables que cambian con el tiempo. Por ejemplo, usted tiene una tienda en línea y una tarea de fijación de precios para la que utiliza datos de precios de la competencia. Tienes en cuenta a tus 2 principales competidores. Vea cómo puede poner varias series temporales en un gráfico a la vez:

Cómo se ven los datos en el conjunto de datos: ``python dataset.head() ```

También puedes implementarlo de la siguiente manera a través de un bucle:

``python date = pd.to_datetime(dataset.index)

for i in dataset.columns plt.plot(date, dataset[i])

plt.show() ```

Si tiene una gran cantidad de datos (por ejemplo, quiere explorar más de 20 competidores), puede tener problemas con el análisis del gráfico resultante:

A continuación, puede utilizar la biblioteca seaborn, que permite comparar varios gráficos entre sí:


              12345678910111213141516171819202122
            
import seaborn as sns

sns.set_theme(style="dark")
flights = sns.load_dataset("flights")

g = sns.relplot(
    data=flights,
    x="month", y="passengers", col="year", hue="year",
    kind="line", palette="crest", linewidth=4, zorder=5,
    col_wrap=3, height=2, aspect=1.5, legend=False,
)

for year, ax in g.axes_dict.items():
    ax.text(.8, .85, year, transform=ax.transAxes, fontweight="bold")
    sns.lineplot(
        data=flights, x="month", y="passengers", units="year",
        estimator=None, color=".7", linewidth=1, ax=ax,
    )

ax.set_xticks(ax.get_xticks()[::2])
g.set_axis_labels("", "Passengers")
g.tight_layout()

Tarea

Traza el conjunto de datos flights.csv, que contiene datos de vuelos de 1949 a 1960, cada mes.

Guarde los nombres de los meses en la variable all_months. Los nombres de los meses son nombres de columnas df.
1. Iterar sobre cada año disponible en los datos. Los años son índices del marco de datos df.
Dentro del bucle, filtre los datos de los años iterados (utilizando la propiedad .iloc[] y la variable n) y guárdelos en la variable year_row.
Dentro del bucle, inicialice un gráfico de líneas con las etiquetas de los meses (all_months) en el eje x, los datos respectivos (year_row) en el eje y, y establezca el parámetro label como year iterado.
Muestra la leyenda del gráfico.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 3. Capítulo 1

Serie Temporal Simple

A pesar de ello, es importante recordar que la valoración de un experto no es exacta, por lo que seguimos recomendando utilizar métodos formales (pruebas) para analizar sus datos.

Ya sabe cómo implementar la visualización 2D:

``python import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(11, 9)) ax.plot(dataset["Fecha"], dataset["NO2"]) ax.set_xlabel("Fecha") ax.set_ylabel("NO2") plt.show()

Cómo se ven los datos en el conjunto de datos: ``python dataset.head() ```

También puedes implementarlo de la siguiente manera a través de un bucle:

``python date = pd.to_datetime(dataset.index)

for i in dataset.columns plt.plot(date, dataset[i])

plt.show() ```

Si tiene una gran cantidad de datos (por ejemplo, quiere explorar más de 20 competidores), puede tener problemas con el análisis del gráfico resultante:

A continuación, puede utilizar la biblioteca seaborn, que permite comparar varios gráficos entre sí:


              12345678910111213141516171819202122
            
import seaborn as sns

sns.set_theme(style="dark")
flights = sns.load_dataset("flights")

g = sns.relplot(
    data=flights,
    x="month", y="passengers", col="year", hue="year",
    kind="line", palette="crest", linewidth=4, zorder=5,
    col_wrap=3, height=2, aspect=1.5, legend=False,
)

for year, ax in g.axes_dict.items():
    ax.text(.8, .85, year, transform=ax.transAxes, fontweight="bold")
    sns.lineplot(
        data=flights, x="month", y="passengers", units="year",
        estimator=None, color=".7", linewidth=1, ax=ax,
    )

ax.set_xticks(ax.get_xticks()[::2])
g.set_axis_labels("", "Passengers")
g.tight_layout()

Tarea

Traza el conjunto de datos flights.csv, que contiene datos de vuelos de 1949 a 1960, cada mes.

Guarde los nombres de los meses en la variable all_months. Los nombres de los meses son nombres de columnas df.
1. Iterar sobre cada año disponible en los datos. Los años son índices del marco de datos df.
Dentro del bucle, filtre los datos de los años iterados (utilizando la propiedad .iloc[] y la variable n) y guárdelos en la variable year_row.
Dentro del bucle, inicialice un gráfico de líneas con las etiquetas de los meses (all_months) en el eje x, los datos respectivos (year_row) en el eje y, y establezca el parámetro label como year iterado.
Muestra la leyenda del gráfico.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 3. Capítulo 1

Serie Temporal Simple

A pesar de ello, es importante recordar que la valoración de un experto no es exacta, por lo que seguimos recomendando utilizar métodos formales (pruebas) para analizar sus datos.

Ya sabe cómo implementar la visualización 2D:

``python import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(11, 9)) ax.plot(dataset["Fecha"], dataset["NO2"]) ax.set_xlabel("Fecha") ax.set_ylabel("NO2") plt.show()

Cómo se ven los datos en el conjunto de datos: ``python dataset.head() ```

También puedes implementarlo de la siguiente manera a través de un bucle:

``python date = pd.to_datetime(dataset.index)

for i in dataset.columns plt.plot(date, dataset[i])

plt.show() ```

Si tiene una gran cantidad de datos (por ejemplo, quiere explorar más de 20 competidores), puede tener problemas con el análisis del gráfico resultante:

A continuación, puede utilizar la biblioteca seaborn, que permite comparar varios gráficos entre sí:


              12345678910111213141516171819202122
            
import seaborn as sns

sns.set_theme(style="dark")
flights = sns.load_dataset("flights")

g = sns.relplot(
    data=flights,
    x="month", y="passengers", col="year", hue="year",
    kind="line", palette="crest", linewidth=4, zorder=5,
    col_wrap=3, height=2, aspect=1.5, legend=False,
)

for year, ax in g.axes_dict.items():
    ax.text(.8, .85, year, transform=ax.transAxes, fontweight="bold")
    sns.lineplot(
        data=flights, x="month", y="passengers", units="year",
        estimator=None, color=".7", linewidth=1, ax=ax,
    )

ax.set_xticks(ax.get_xticks()[::2])
g.set_axis_labels("", "Passengers")
g.tight_layout()

Tarea

Traza el conjunto de datos flights.csv, que contiene datos de vuelos de 1949 a 1960, cada mes.

Guarde los nombres de los meses en la variable all_months. Los nombres de los meses son nombres de columnas df.
1. Iterar sobre cada año disponible en los datos. Los años son índices del marco de datos df.
Dentro del bucle, filtre los datos de los años iterados (utilizando la propiedad .iloc[] y la variable n) y guárdelos en la variable year_row.
Dentro del bucle, inicialice un gráfico de líneas con las etiquetas de los meses (all_months) en el eje x, los datos respectivos (year_row) en el eje y, y establezca el parámetro label como year iterado.
Muestra la leyenda del gráfico.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

A pesar de ello, es importante recordar que la valoración de un experto no es exacta, por lo que seguimos recomendando utilizar métodos formales (pruebas) para analizar sus datos.

Ya sabe cómo implementar la visualización 2D:

``python import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(11, 9)) ax.plot(dataset["Fecha"], dataset["NO2"]) ax.set_xlabel("Fecha") ax.set_ylabel("NO2") plt.show()

Cómo se ven los datos en el conjunto de datos: ``python dataset.head() ```

También puedes implementarlo de la siguiente manera a través de un bucle:

``python date = pd.to_datetime(dataset.index)

for i in dataset.columns plt.plot(date, dataset[i])

plt.show() ```

Si tiene una gran cantidad de datos (por ejemplo, quiere explorar más de 20 competidores), puede tener problemas con el análisis del gráfico resultante:

A continuación, puede utilizar la biblioteca seaborn, que permite comparar varios gráficos entre sí:


              12345678910111213141516171819202122
            
import seaborn as sns

sns.set_theme(style="dark")
flights = sns.load_dataset("flights")

g = sns.relplot(
    data=flights,
    x="month", y="passengers", col="year", hue="year",
    kind="line", palette="crest", linewidth=4, zorder=5,
    col_wrap=3, height=2, aspect=1.5, legend=False,
)

for year, ax in g.axes_dict.items():
    ax.text(.8, .85, year, transform=ax.transAxes, fontweight="bold")
    sns.lineplot(
        data=flights, x="month", y="passengers", units="year",
        estimator=None, color=".7", linewidth=1, ax=ax,
    )

ax.set_xticks(ax.get_xticks()[::2])
g.set_axis_labels("", "Passengers")
g.tight_layout()

Tarea

Traza el conjunto de datos flights.csv, que contiene datos de vuelos de 1949 a 1960, cada mes.

Guarde los nombres de los meses en la variable all_months. Los nombres de los meses son nombres de columnas df.
1. Iterar sobre cada año disponible en los datos. Los años son índices del marco de datos df.
Dentro del bucle, filtre los datos de los años iterados (utilizando la propiedad .iloc[] y la variable n) y guárdelos en la variable year_row.
Dentro del bucle, inicialice un gráfico de líneas con las etiquetas de los meses (all_months) en el eje x, los datos respectivos (year_row) en el eje y, y establezca el parámetro label como year iterado.
Muestra la leyenda del gráfico.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

Sección 3. Capítulo 1

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones