Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tu Primera Serie de Tiempo
Tu Primera Serie de Tiempo
Instrucciones
100XP
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
Instrucciones
100XP
Instrucciones
0XP
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.
Instrucciones
100XP
Instrucciones
100XP
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.
Ya hemos importado pandascomo pdy matplotlib.pyplotcomo plt.
Instructions
100 XP
Instructions
100 XP
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.
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.
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().