Conteúdo do Curso

Análise de Séries Temporais

1. Séries Temporais: Vamos Começar

Introdução Exemplos Práticos Tipos de Modelo Implementação em Python Visualização

2. Processamento de Séries Temporais

Lendo e Visualizando Dados Estacionaridade Autocorrelação Decomposição

3. Visualização de Séries Temporais

Séries Temporais Simples Personalize Seu Gráfico Desafio

4. Modelos Estacionários

Exemplos de Séries Temporais Estacionárias Média Móvel Simples Autoregressão Modelo Autoregressivo Integrado de Médias Móveis Desafio

5. Modelos Não Estacionários

Exemplos de Séries Temporais Não Estacionárias Converter Dados Não Estacionários em Estacionários Desafio 1 Desafio 2

6. Resolver Problemas Reais

Previsão do Tempo Previsão de Demanda da Loja Mercados Financeiros Prever o Surgimento de Clientes Recorrentes Medicina: Previsão de EEG

Séries Temporais Simples

O papel da visualização na análise de séries temporais já foi demonstrado a você na seção anterior. Um olhar experiente sobre o gráfico pode ser suficiente para entender se os dados são estacionários ou não, quais são os principais padrões presentes, etc.

No entanto, é importante lembrar que a avaliação de um especialista não é precisa e, ainda assim, recomendamos o uso de métodos formais (testes) para analisar seus dados.

Você já sabe como implementar a visualização 2D:

Mas vamos tomar como exemplo uma situação onde precisamos levar em conta 2 ou 3 variáveis que mudam ao longo do tempo. Por exemplo, você possui uma loja online e uma tarefa de precificação para a qual utiliza dados de preços dos concorrentes. Você analisa seus 2 principais concorrentes. Veja como você pode colocar várias séries temporais em um único gráfico ao mesmo tempo:

Como os dados aparecem no conjunto de dados:

Além disso, você pode implementá-lo da seguinte maneira através de um loop:

Se você possui uma grande quantidade de dados (por exemplo, deseja explorar mais de 20 concorrentes), pode ter problemas com a análise do gráfico resultante:

Então, você pode usar a biblioteca seaborn, que permite comparar vários gráficos entre si:


              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()

Tarefa

Trace o conjunto de dados flights.csv, que contém dados de voos de 1949 a 1960, todos os meses.

Salve os nomes dos meses na variável all_months. Os nomes dos meses são nomes de colunas do df.
Itere sobre cada ano disponível nos dados. Os anos são índices do dataframe df.
Dentro do loop, filtre os dados do ano iterado (usando a propriedade .iloc[] e a variável n) e salve-os na variável year_row.
Ainda dentro do loop, inicialize um gráfico de linhas com os rótulos dos meses (all_months) no eixo x, os dados correspondentes (year_row) no eixo y e configure o parâmetro label para o year iterado.
Exiba a legenda do gráfico.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 1

Séries Temporais Simples

No entanto, é importante lembrar que a avaliação de um especialista não é precisa e, ainda assim, recomendamos o uso de métodos formais (testes) para analisar seus dados.

Você já sabe como implementar a visualização 2D:

Como os dados aparecem no conjunto de dados:

Além disso, você pode implementá-lo da seguinte maneira através de um loop:

Se você possui uma grande quantidade de dados (por exemplo, deseja explorar mais de 20 concorrentes), pode ter problemas com a análise do gráfico resultante:

Então, você pode usar a biblioteca seaborn, que permite comparar vários gráficos entre si:


              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()

Tarefa

Trace o conjunto de dados flights.csv, que contém dados de voos de 1949 a 1960, todos os meses.

Salve os nomes dos meses na variável all_months. Os nomes dos meses são nomes de colunas do df.
Itere sobre cada ano disponível nos dados. Os anos são índices do dataframe df.
Dentro do loop, filtre os dados do ano iterado (usando a propriedade .iloc[] e a variável n) e salve-os na variável year_row.
Ainda dentro do loop, inicialize um gráfico de linhas com os rótulos dos meses (all_months) no eixo x, os dados correspondentes (year_row) no eixo y e configure o parâmetro label para o year iterado.
Exiba a legenda do gráfico.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 1

Séries Temporais Simples

No entanto, é importante lembrar que a avaliação de um especialista não é precisa e, ainda assim, recomendamos o uso de métodos formais (testes) para analisar seus dados.

Você já sabe como implementar a visualização 2D:

Como os dados aparecem no conjunto de dados:

Além disso, você pode implementá-lo da seguinte maneira através de um loop:

Se você possui uma grande quantidade de dados (por exemplo, deseja explorar mais de 20 concorrentes), pode ter problemas com a análise do gráfico resultante:

Então, você pode usar a biblioteca seaborn, que permite comparar vários gráficos entre si:


              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()

Tarefa

Trace o conjunto de dados flights.csv, que contém dados de voos de 1949 a 1960, todos os meses.

Salve os nomes dos meses na variável all_months. Os nomes dos meses são nomes de colunas do df.
Itere sobre cada ano disponível nos dados. Os anos são índices do dataframe df.
Dentro do loop, filtre os dados do ano iterado (usando a propriedade .iloc[] e a variável n) e salve-os na variável year_row.
Ainda dentro do loop, inicialize um gráfico de linhas com os rótulos dos meses (all_months) no eixo x, os dados correspondentes (year_row) no eixo y e configure o parâmetro label para o year iterado.
Exiba a legenda do gráfico.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

No entanto, é importante lembrar que a avaliação de um especialista não é precisa e, ainda assim, recomendamos o uso de métodos formais (testes) para analisar seus dados.

Você já sabe como implementar a visualização 2D:

Como os dados aparecem no conjunto de dados:

Além disso, você pode implementá-lo da seguinte maneira através de um loop:

Se você possui uma grande quantidade de dados (por exemplo, deseja explorar mais de 20 concorrentes), pode ter problemas com a análise do gráfico resultante:

Então, você pode usar a biblioteca seaborn, que permite comparar vários gráficos entre si:


              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()

Tarefa

Trace o conjunto de dados flights.csv, que contém dados de voos de 1949 a 1960, todos os meses.

Salve os nomes dos meses na variável all_months. Os nomes dos meses são nomes de colunas do df.
Itere sobre cada ano disponível nos dados. Os anos são índices do dataframe df.
Dentro do loop, filtre os dados do ano iterado (usando a propriedade .iloc[] e a variável n) e salve-os na variável year_row.
Ainda dentro do loop, inicialize um gráfico de linhas com os rótulos dos meses (all_months) no eixo x, os dados correspondentes (year_row) no eixo y e configure o parâmetro label para o year iterado.
Exiba a legenda do gráfico.

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Seção 3. Capítulo 1

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo