Salah satu tugas yang sangat umum namun membosankan yang saya lakukan dalam analisis data dan proyek pemodelan bauran pemasaran adalah mengubah data bulanan atau mingguan menjadi harian. Misalnya, laporan afiliasi Anda mungkin hanya dikompilasi setiap bulan, atau analisis SEO Anda hanya mengekspor data yang dikelompokkan berdasarkan minggu Show Data harian adalah format yang paling ideal, karena memberi Anda poin data 7x lebih banyak daripada mingguan, dan ~30x lebih banyak poin data daripada bulanan. Ini juga yang paling fleksibel, karena Anda selalu dapat menggulung data harian hingga mingguan atau bulanan nanti. tidak mudah untuk pergi ke arah lain Dalam kasus ini apa yang Anda lakukan? . Jika Anda membayangkan Anda hanya memiliki dua titik data, satu titik untuk setiap minggu. interpolasi bekerja dengan menggambar garis di antara dua titik tersebut, yang memberi Anda nilai realistis untuk setiap hari Ini agak membingungkan untuk dilakukan dengan Python, tetapi untungnya saya telah membuka sumber kode saya, untuk mempermudah semua orang. Mari kita lihat seperti apa interpolasi dari mingguan dan bulanan ke harian  Di atas adalah kumpulan data yang realistis untuk pencarian pada istilah merek Anda. Anda dapat melihatnya mengikuti tren mingguan yang jelas, serta memiliki pergerakan umum ke atas dan ke kanan, dengan lonjakan besar di beberapa hari. Jika kita mengambil data harian yang sama dan mengelompokkannya setiap minggu, seperti inilah tampilannya Sekarang tentu saja dalam kasus kami, kami memiliki data harian nyata untuk dibandingkan, tetapi mari kita berpura-pura sejenak bahwa kami hanya diberi data mingguan. Berapa banyak definisi yang hilang di sini? . Mari gunakan fungsi interpolasi kita untuk menggambar garis di antara titik-titik tersebut. Jadi kita akan menskalakan kembali dari 127 poin menjadi 882 Anda dapat melihat bagaimana bentuk yang persis sama dipertahankan dari bagan ke bagan – kita tidak mungkin 'mengetahui' apa pun tentang tren antar minggu jika kita hanya memiliki data mingguan, jadi yang terbaik yang dapat kita lakukan adalah mempertahankan bentuk yang sama tetapi . Mari kita lihat berapa banyak lagi definisi yang kita hilangkan setiap bulan Sekarang kami hanya memiliki 30 baris, dari data hampir 2 ½ tahun. Mudah-mudahan Anda dapat melihat bahwa membangun model berdasarkan data bulanan akan sangat tidak akurat kecuali kami memiliki jumlah riwayat yang layak. Sedapat mungkin kami ingin agar data bulanan itu dikonversi menjadi harian, sehingga setidaknya dapat mendukung variabel (harian) lainnya dalam model. Seperti apa tampilan data bulanan yang dikonversi menjadi harian dengan Interpolasi? Anda dapat melihat di sini bahwa bentuk umum yang sama muncul, tetapi kami kehilangan banyak definisi. Kami tidak benar-benar melihat lonjakan apa pun yang kami lihat dalam data mingguan dan harian. Kami juga memiliki masalah pada akhir bulan lalu, di mana (salah) menyeret rata-rata ke bawah karena kurangnya definisi dalam data. Ok akhirnya mari kita kumpulkan semuanya, jadi kita bisa melihatnya di satu tempat Ini menjabarkan semuanya dengan cukup jelas. Tentu kita kehilangan banyak perincian di sini, tetapi jika hanya mingguan atau bulanan yang Anda butuhkan, Interpolasi melakukan pekerjaan yang cukup baik dalam menangkap tren dasar. Jadi, jika sisa variabel Anda adalah harian, dan Anda perlu mengubah sampel bulanan atau mingguan Anda agar sesuai, Interpolasi adalah taruhan yang cukup bagus. Catatan. ini tidak akan melakukan apa pun untuk Anda jika SEMUA data Anda mingguan atau bulanan, tetapi jika sebagian besar variabel utama Anda harian dan Anda hanya perlu mengonversi beberapa variabel bulanan atau mingguan agar sesuai dengan model, lanjutkan *Kode yang saya gunakan di sini semuanya ada di Jupyter Notebook dan pustaka Sumber Terbuka, yang dapat Anda akses di sini. Jangan ragu untuk menggunakannya dan memperbaikinya. * Bagaimana Anda mengonversi data bulanan menjadi data mingguan dengan Python?Anda dapat menggunakan df. resample() dengan argumen yang sesuai .
Bagaimana Anda mendapatkan data bulanan dengan Python?Metode 1. Gunakan DatetimeIndex. atribut bulan untuk menemukan bulan dan menggunakan DatetimeIndex. atribut tahun untuk menemukan tahun yang ada di Tanggal.
Bagaimana Anda melakukan resample data bulanan dengan Python?Hal ini dapat dilakukan menggunakan. fill() pada hasil resampling . Perhatikan tanggal entri dan sekarang semuanya adalah tanggal akhir bulan. Nilai tidak berubah, karena sampel ulang hanya memilih tanggal di akhir bulan, atau mengisi dengan nilai sebelum tanggal tersebut jika tidak ada di sumber.
Bagaimana cara menghitung data mingguan dengan Python?Metode 1. menggunakan for-loop Python . Fungsi new_case_count() mengambil objek DataFrame, mengulanginya dan mengonversi indeks, yang merupakan tanggal dalam format string, ke format Pandas Datetime. Berdasarkan tanggal hari dalam seminggu, jumlah kasus baru setiap minggu dihitung dan disimpan dalam daftar. |
Cara mengubah data mingguan menjadi bulanan dengan python
Pos Terkait
Copyright © 2024 kemunculan Inc.
