Manipulación de datos de series temporales en Python
En este curso aprenderás lo básico sobre el trabajo con datos de series temporales.
Comience El Curso Gratis4 horas16 vídeos55 ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
En este curso aprenderá los fundamentos de la manipulación de datos de series temporales. Los datos de series temporales son datos indexados por una secuencia de fechas u horas. Aprenderás a utilizar los métodos incorporados en Pandas para trabajar con este índice. También aprenderá a remuestrear series temporales para cambiar la frecuencia. Este curso también le mostrará cómo calcular valores móviles y acumulativos para series temporales. Por último, utilizará todos sus nuevos conocimientos para construir un índice bursátil ponderado por el valor a partir de datos bursátiles reales.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos de Finanzas en Python
Ir a la pistaSeries temporales con Python
Ir a la pista- 1
Trabajar con series temporales en Pandas
GratuitoEn este capítulo se sientan las bases para aprovechar la potente funcionalidad de las series temporales que Pandas pone a disposición mediante la representación de fechas, en particular mediante DateTimeIndex. Aprenderá a crear y manipular información de fechas y series temporales, y a realizar cálculos con DataFrames temporales para desplazar los datos en el tiempo o crear rendimientos específicos de un periodo.
Cómo utilizar fechas y horas con pandas50 xpSu primera serie cronológica100 xpIndexación y remuestreo de series temporales50 xpCrear una serie temporal de datos sobre la calidad del aire100 xpComparar la evolución anual de las cotizaciones bursátiles100 xpEstablecer y cambiar la frecuencia de las series temporales100 xpRetrasos, cambios y rendimientos de las series de cotizaciones bursátiles50 xpEvolución temporal de las cotizaciones bursátiles100 xpCálculo de la evolución de las cotizaciones bursátiles100 xpTrazado de rentabilidades multiperíodo100 xp - 2
Métricas básicas de series temporales y remuestreo
Este capítulo profundiza en la funcionalidad esencial de las series temporales disponible a través del DataTimeIndex de pandas. Introduce el remuestreo y cómo comparar diferentes series temporales normalizando sus puntos de inicio.
Comparar tasas de crecimiento de series temporales50 xpComparar el rendimiento de varias clases de activos100 xpComparación de las cotizaciones bursátiles con un índice de referencia100 xpDiferencia de rendimiento frente al índice de referencia100 xpModificación de la frecuencia de las series temporales: remuestreo50 xpConvertir datos mensuales en semanales100 xpCrear datos semanales a partir de datos mensuales de desempleo100 xpSobremuestreo e interpolación con .resample()50 xpUtilizar la interpolación para crear datos semanales de empleo100 xpInterpolar deuda/GDP y comparar con el desempleo100 xpMuestreo descendente y agregación50 xpCompare las tendencias semanales, mensuales y anuales del ozono en NYC & LA100 xpComparar los precios medios mensuales de las acciones de Facebook y Google100 xpCompare la tasa de crecimiento trimestral GDP y la rentabilidad de las acciones100 xpVisualice la media mensual, la mediana y la desviación estándar de los rendimientos del S&P500100 xp - 3
Funciones de ventana: Métricas de balanceo y expansión
Este capítulo le mostrará cómo utilizar la función de ventana para calcular métricas de series temporales tanto para ventanas móviles como expansivas.
Funciones de ventana rodante con pandas50 xpMedia móvil de la calidad del aire en Nueva York desde 2010100 xpMedia móvil de 360 días y desviación típica de los datos de ozono en Nueva York desde 2000100 xpCuantiles móviles de la calidad diaria del aire en Nueva York100 xpAmpliación de funciones de ventana con pandas50 xpSuma acumulada frente a .diff()100 xpRendimiento acumulado de $1,000 invertido en google vs apple I100 xpRendimiento acumulado de $1,000 invertido en google vs apple II100 xpEstudio de caso: Simulación de precios del S&P50050 xpPaseo aleatorio I100 xpPaseo aleatorio II100 xpPaseo aleatorio III100 xpRelaciones entre series temporales: correlación50 xpCorrelaciones de rentabilidad anual entre varios valores100 xp - 4
Ponerlo todo junto: Creación de un índice ponderado por valor
Este capítulo combina los conceptos anteriores enseñándole a crear un índice ponderado por valor. Este índice utiliza los datos de capitalización bursátil que figuran en los listados de las bolsas para calcular las ponderaciones y la información sobre el precio de las acciones en 2016. A continuación, el rendimiento del índice se compara con los índices de referencia para evaluar el rendimiento del índice creado.
Seleccionar componentes del índice e importar datos50 xpExplorar y limpiar la información del listado de empresas100 xpSeleccionar e inspeccionar los componentes del índice100 xpInformación sobre los precios de los componentes del índice de importación100 xpConstruir un índice ponderado por la capitalización bursátil50 xpCalcular el número de acciones en circulación100 xpCrear series temporales de valor de mercado100 xpCalcular y trazar el índice compuesto100 xpEvaluar el rendimiento del índice50 xpCalcular la contribución de cada acción al índice100 xpComparar el rendimiento del índice con el índice de referencia I100 xpComparar el rendimiento del índice con el índice de referencia II100 xpCorrelación de índices y exportación a Excel50 xpVisualice las correlaciones de los componentes de su índice100 xpGuarde sus análisis en varias hojas de cálculo Excel100 xp¡Enhorabuena!50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos de Finanzas en Python
Ir a la pistaSeries temporales con Python
Ir a la pistacolaboradores
requisitos previos
Data Manipulation with pandasStefan Jansen
Ver Más
Founder & Lead Data Scientist at Applied Artificial Intelligence
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Manipulación de datos de series temporales en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.