Lección 3 del curso Series de Tiempo: Pre-procesamiento.
En la lección anterior vimos una ruta de aprendizaje sugerida para aprender las diferentes técnicas de preparación, análisis y generación de pronósticos sobre Series de Tiempo.
En esta lección haremos un repaso de las principales herramientas para la lectura y visualización de Series de Tiempo usando las librerías Pandas, Seaborn y Matplotlib.
Sin embargo, para ver el uso avanzado de varias de estas técnicas sugiero revisar las siguientes lecciones del curso Pandas Nivel Avanzado disponible acá en la Academia Online:
- Lección 7 – Series de tiempo en Pandas: índices
- Lección 15 – Herramientas para la visualización de series de tiempo
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En resumen, para leer correctamente una o múltiples Series de Tiempo como un DataFrame de Pandas debemos hacer uso del método «read_csv()» y de los parámetros «parse_dates» e «index_col».
Además, acabamos de ver como usar librerías como Seaborn y Matplotlib, así como el método «plot()» de Pandas, para generar gráficos de Series de Tiempo controlando a la vez las etiquetas usadas precisamente como marcas de tiempo dentro de la gráfica.
Así que con esto ya hemos completado este primer módulo introductorio del curso y ya estamos listos para comenzar a ver en detalle las principales técnicas de pre-procesamiento de Series de Tiempo.
En el siguiente módulo nos enfocaremos entonces en las técnicas de manejo de datos faltantes y específicamente, en la próxima lección, comenzaremos entendiendo cuáles son los tipos de datos faltantes que podemos tener en una Serie de Tiempo.
Todas las lecciones del curso Series de Tiempo: Preprocesamiento