Tu primera serie de tiempo

Ha aprendido en el video cómo crear una secuencia de fechas

usando pd.date_range(). También has visto que cada fecha en el
resultado pd.DatetimeIndexes una pd.Timestampcon varios atributos a los que
puedes acceder para obtener información sobre la fecha.

Ahora, creará una semana de datos, iterará sobre el resultado y obtendrá

el dayofweeky weekday_namepara cada fecha.

Instrucciones
100XP

Ya hemos importado pandascomo pdpara ti.

 Úselo pd.date_rangepara crear siete fechas a partir de '2017-1-1'la

frecuencia diaria (predeterminada). Utilice los
argumentos starty periods. Asignar el resultado a seven_days.
 Itere cada fecha en seven_daysy en cada iteración, imprima
los atributos .dayofweeky .weekday_name.

Cree una serie temporal de datos de

calidad del aire
En el video ha visto cómo tratar las fechas que no están en el formato correcto,
sino que se proporcionan como stringtipos, representadas
como dtype objecten pandas.
Hemos preparado un conjunto de datos con datos de calidad del aire (ozono,
pm25 y monóxido de carbono para la ciudad de Nueva York, 2000-2017) para que
practique su uso pd.to_datetime().

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo pltpara usted, y

se carga la calidad del aire DataFrameen la variable data.

 Inspeccione el datauso .info().
 Use pd.to_datetimepara convertir el column 'date'a dtype datetime64.
 Establecer 'date' columncomo index.
 Valide los cambios inspeccionando datausando .info()nuevamente.
 Trazar datausando subplots=True

Compare las tendencias anuales del precio

de las acciones
En el video, ha visto cómo seleccionar subperíodos de una serie de tiempo.
Utilizará esto para comparar el rendimiento durante tres años de los precios de las acciones
de Yahoo.

Instrucciones
100XP
Instrucciones
0XP

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plty ya hemos cargado

el archivo 'yahoo.csv' en una variable yahoocon DateTimeIndexuna sola columna price.

 Cree una pd.DataFrame()llamada vacía prices.
 Repita una lista que contenga los tres años, 2013, 2014 y 2015, como stringy en
cada ciclo:
o Utilice la variable de iteración para seleccionar los datos de este año y la
columna price.
o Utilice .reset_index()con drop=Truepara eliminar el DatetimeIndex.
o Cambie el nombre de la columna de la pricecolumna al apropiado year.
o Úselo pd.concat()para combinar los datos anuales con los
datos pricesadjuntos axis=1.
 Trazar prices.


Establecer y cambiar la frecuencia de
la serie temporal
En el video, ha visto cómo asignar una frecuencia a a DateTimeIndex, y luego
cambiar esta frecuencia.

Ahora, utilizará datos sobre la concentración diaria de monóxido de carbono en

Nueva York, Los Ángeles y Chicago entre 2005 y 2017.

Establecerá la frecuencia en el calendario diariamente y luego volverá a muestrear

a la frecuencia mensual, y visualizará ambas series para ver cómo las diferentes
frecuencias afectan los datos.

Instrucciones
100XP
Instrucciones
100XP

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plty ya hemos

cargado el co_cities.csvarchivo en una variable co.

 Inspeccione el couso .info().
 Use .asfreq()para establecer la frecuencia en el calendario diario.
 Muestre un diagrama de 'co'uso subplots=True.
 Cambie la frecuencia a mensual usando el alias 'M'.
 Muestre otro diagrama de couso subplots=True.
El primer método para manipular series de tiempo que vio en el video
fue .shift(), que le permite cambiar todos los valores en
un Serieso DataFramepor varios períodos a un tiempo diferente a lo largo
del DateTimeIndex.

Usemos esto para comparar visualmente una serie de precios de acciones de

Google desplazados 90 días hábiles tanto en el pasado como en el futuro.

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plt.

 Se utiliza pd.read_csv()para importar 'google.csv', analizar

las 'Date'fechas como, establecer el resultado como indexy
asignar google.
 Utilícelo .asfreq()para establecer la frecuencia de googletrabajo diario.
 Agregue nuevas columnas laggedy shifteda las googleque contengan
el Closedesplazamiento de 90 días hábiles al pasado y al futuro,
respectivamente.
 Trace las tres columnas de google.
Calculating stock price changes
You have learned in the video how to calculate returns using current and shifted
prices as input. Now you'll practice a similar calculation to calculate absolute
changes from current and shifted prices, and compare the result to the
function .diff().

Instructions
100 XP
Instructions
100 XP

We have already imported pandas as pd and matplotlib.pyplot as plt. We have

also loaded Yahoo stock prices for the years 2013 to 2015, set the frequency to
business daily, and assigned the result to yahoo.

 Create a new column called shifted_30 that contains the 'price' shifted by

30 business days into the future.
 Subtract 'shifted_30' from 'price', and assign the result to a new
column, 'change_30'.
 Apply .diff(), setting periods to 30, and assign the result to a new
column, 'diff_30'.
 Inspect the last five rows of yahoo to verify the calculation.
 Subtract diff_30 from change_30 using the .sub() method and print
the .value_counts() of the result to show both columns are equal.
razar retornos de múltiples períodos
El último método de series de tiempo del que aprendiste en el video
fue .pct_change(). Usemos esta función para calcular los retornos para varios
períodos de días calendario y trazar el resultado para comparar los diferentes
patrones.

Usaremos los precios de las acciones de Google de 2014 a 2016.

Instrucciones
100XP
Instrucciones
100XP

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plt. También
hemos cargado 'GOOG'los precios de las acciones para los años 2014-
2016, hemos establecido la frecuencia en el calendario diariamente
y hemos asignado el resultado a google.

 Cree las
columnas 'daily_return', 'monthly_return'y 'annual_return'que
contengan el pct_change()de 'Close'para 1, 30 y 360 días calendario,
respectivamente, y multiplique cada una por 100.
 Trace el resultado usando subplots=True.
Trazar retornos de múltiples períodos
El último método de series de tiempo del que aprendiste en el video
fue .pct_change(). Usemos esta función para calcular los retornos para varios
períodos de días calendario y trazar el resultado para comparar los diferentes
patrones.

Usaremos los precios de las acciones de Google de 2014 a 2016.

Instrucciones
100XP
Instrucciones
100XP

Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plt. También
hemos cargado 'GOOG'los precios de las acciones para los años 2014-
2016, hemos establecido la frecuencia en el calendario diariamente
y hemos asignado el resultado a google.

 Cree las
columnas 'daily_return', 'monthly_return'y 'annual_return'que
contengan el pct_change()de 'Close'para 1, 30 y 360 días calendario,
respectivamente, y multiplique cada una por 100.
 Trace el resultado usando subplots=True.
Correlaciones de rentabilidad anual
entre varias acciones
Has visto en el video cómo calcular correlaciones y visualizar el resultado.

En este ejercicio, le proporcionamos los precios históricos de las acciones de

Apple ( AAPL), Amazon ( AMZN), IBM ( IBM), WalMart ( WMT) y Exxon Mobile ( XOM)
durante los últimos 4000 días hábiles desde julio de 2001 hasta finales de mayo
de 2017. .

Calculará los rendimientos de fin de año, las correlaciones por pares entre todas
las acciones y visualizará el resultado como un mapa de calor anotado.

Instrucciones
100XP
Instrucciones
100XP

Ya hemos
importado pandascomo pd, seaborncomo snsy matplotlib.pyplotcomo plt. Hemo
s cargado el precio de cierre diario de las cinco acciones en una variable
llamada data.

 Inspeccione el uso .info().
 Aplicar .resample()con frecuencia a fin de año (alias: 'A') a datay
seleccione el .last()precio de cada subperíodo; asignar esto
a annual_prices.
 Calcular annual_returnsaplicando .pct_change()a annual_prices.
 Calcular correlationsaplicando .corr()a annual_returnse imprimir el
resultado.
 Visualícelo correlationscomo anotado sns.heatmap().