Manipulação de dados de séries temporais em Python
"Neste curso, você aprenderá o básico de trabalhar com dados de séries temporais."
Comece O Curso Gratuitamente4 horas16 vídeos55 exercícios60.200 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Neste curso, você aprenderá os fundamentos da manipulação de dados de séries temporais. Os dados de séries temporais são dados indexados por uma sequência de datas ou horários. Você aprenderá a usar os métodos incorporados no Pandas para trabalhar com esse índice. Você também aprenderá a fazer uma reamostragem de séries temporais para alterar a frequência. Este curso também mostrará a você como calcular valores contínuos e cumulativos para séries temporais. Por fim, você usará todas as suas novas habilidades para criar um índice de ações ponderado por valor a partir de dados reais de ações.
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de finanças em Python
Ir para a trilhaSéries temporais em Python
Ir para a trilha- 1
Trabalhando com séries temporais no Pandas
GratuitoEste capítulo estabelece as bases para você aproveitar a poderosa funcionalidade de série temporal disponibilizada pela forma como o Pandas representa as datas, em particular pelo DateTimeIndex. Você aprenderá a criar e manipular informações de datas e séries temporais e a fazer cálculos com DataFrames com reconhecimento de tempo para deslocar seus dados no tempo ou criar retornos específicos de períodos.
Como usar datas e horários com pandas50 xpSua primeira série cronológica100 xpIndexação e reamostragem de séries temporais50 xpCriar uma série temporal de dados de qualidade do ar100 xpComparar tendências anuais de preços de ações100 xpDefinir e alterar a frequência da série temporal100 xpDefasagens, alterações e retornos para séries de preços de ações50 xpMudança de preços de ações ao longo do tempo100 xpCálculo de alterações no preço das ações100 xpPlotagem de retornos de vários períodos100 xp - 2
Métricas básicas de séries temporais e reamostragem
Este capítulo se aprofunda na funcionalidade essencial de séries temporais disponibilizada pelo DataTimeIndex do pandas. Ele apresenta a reamostragem e como comparar diferentes séries temporais normalizando seus pontos iniciais.
Comparar taxas de crescimento de séries temporais50 xpComparar o desempenho de várias classes de ativos100 xpComparação dos preços das ações com um índice de referência100 xpGráfico da diferença de desempenho em relação ao índice de referência100 xpAlteração da frequência da série temporal: reamostragem50 xpConverter dados mensais em semanais100 xpCriar dados de desemprego semanais a partir de dados mensais100 xpUpsampling e interpolação com .resample()50 xpUse a interpolação para criar dados semanais de emprego100 xpInterpolar dívida/GDP e comparar com o desemprego100 xpRedução da amostragem e agregação50 xpCompare as tendências semanais, mensais e anuais de ozônio para NYC & LA100 xpCompare os preços médios mensais das ações do Facebook e do Google100 xpCompare a taxa de crescimento trimestral do GDP e os retornos das ações100 xpVisualize a média mensal, a mediana e o desvio padrão dos retornos do S&P500100 xp - 3
Funções da janela: Métricas de rolagem e expansão
Este capítulo mostrará a você como usar a função de janela para calcular métricas de séries temporais para janelas contínuas e em expansão.
Funções de janela rolante com pandas50 xpMédia móvel da qualidade do ar desde 2010 para a cidade de Nova York100 xpMediana e desvio padrão de 360 dias para dados de ozônio de Nova York desde 2000100 xpQuantis de rolagem para a qualidade do ar diária em Nova York100 xpExpansão de funções de janela com pandas50 xpCumulative sum vs .diff()100 xpRetorno cumulativo em $1,000 investido no google vs apple I100 xpRetorno cumulativo em $1,000 investido no google vs apple II100 xpEstudo de caso: Simulação de preço do S&P50050 xpPasseio aleatório I100 xpPasseio aleatório II100 xpPasseio aleatório III100 xpRelações entre séries temporais: correlação50 xpCorrelações de retorno anual entre várias ações100 xp - 4
Juntando tudo: Criação de um índice ponderado por valor
Este capítulo combina os conceitos anteriores, ensinando a você como criar um índice ponderado por valor. Esse índice usa dados de capitalização de mercado contidos nas listagens da bolsa de valores para calcular pesos e informações de preços de ações de 2016. O desempenho do índice é então comparado com os benchmarks para avaliar o desempenho do índice que você criou.
Selecionar componentes de índice e importar dados50 xpExplorar e limpar informações de listagem de empresas100 xpSelecionar e inspecionar os componentes do índice100 xpInformações sobre o preço do componente do índice de importação100 xpCriar um índice ponderado por capitalização de mercado50 xpCalcular o número de ações em circulação100 xpCriar séries temporais de valor de mercado100 xpCalcular e plotar o índice composto100 xpAvaliar o desempenho do índice50 xpCalcule a contribuição de cada ação para o índice100 xpComparar o desempenho do índice com o índice de referência I100 xpComparar o desempenho do índice com o índice de referência II100 xpCorrelação de índices e exportação para o Excel50 xpVisualize as correlações entre os componentes de seu índice100 xpSalve sua análise em várias planilhas do Excel100 xpParabéns!50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de finanças em Python
Ir para a trilhaSéries temporais em Python
Ir para a trilhacolaboradores
pré-requisitos
Data Manipulation with pandas
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Manipulação de dados de séries temporais em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.