Cuando la profesora dice que solo se puede sacar las propiedades de las columnas Datetime cuando están como índices no es cierto, ya que con el siguiente código, puedes extraer las propiedades sin ningún problema
df_power['Date'].dt.year
Introducción al análisis exploratorio de datos
Qué aprenderás sobre el análisis exploratorio de datos
Qué es el análisis exploratorio de datos
Comparación del EDA con el análisis clásico y el análisis bayesiano
Herramientas de software para análisis exploratorio de datos
Visualizaciones de EDA
Estadística básica
Transformación de los datos
Estadística descriptiva
Distribución de los datos
Procesamiento de datos
Medidas de tendencia central
Medidas de dispersión
Agrupamiento de datasets
Integración de datos
Pivot tables y cross-tabulations
Operaciones de datos
Correlación
Análisis multivariable empleando el dataset Titanic: gráficos de barras
Análisis multivariable empleando el dataset Titanic: mapa de distribución y mapa de correlación
Paradoja de Simpson
Correlación no implica causalidad
Procesamiento de series de tiempo
Análisis de Series de Tiempo (TSA)
TSA con Open Power System Data
Desarrollo y evaluación de modelos
Regresión y evaluación de hipótesis
Métricas de evaluación y regresión
Ejemplo completo de análisis exploratorio de datos
Análisis exploratorio completo
Cierre de del curso
Aún no tienes acceso a esta clase
Crea una cuenta y continúa viendo este curso
Crear cuenta
Si ya tienes una cuenta,
Iniciar sesión
TSA con Open Power System Data
20/25Recursos
Aportes 15
Preguntas 1
Ordenar por:
Analisis de la grafica: En esa region especifica de Europa, se observa que el consumo de energia es mayor en invierno y disminuye a mitad de año.
La produccion de energia eolica (viento) permanece relativamente constante durante el año.
La produccion de energia solar es mayor en verano (meses 6-7-8) y menor en invierno.
Libros recomendados para feature engineering en siguiente blog
https://machinelearningmastery.com/books-on-data-cleaning-data-preparation-and-feature-engineering/
Estuvo muy buena la clase, usualmente para trabajar con este tipo de series de tiempo voy a Power Bi para crear una tabla calendario y de esa forma graficar pero el problema esta cuando se tienen muchos datos en el dataset pero ahora con estos comandos puedo crear en python la misma tabla calendario
Aqui se aprecia el efecto del verano. En los años de julio - septiembre baja el consumo energético porque aumenta la temperatura y las horas de luz solar. También disminuye la generación solar porque hay menos viento en esta temporada.
La calidad de esta clase ahora es mucho mejor. Gracias.
Una librería interesante por si desean profundizar en TSA o crear modelos de forecast
https://unit8co.github.io/darts/index.html
Pueden ampliar sus conocimientos en Feature Engineering con este libro: https://www.repath.in/gallery/feature_engineering_for_machine_learning.pdf
Por si el código del boxplot fue un poco confuso comparto mi código, intente fuese lo mas claro posible.
Se ve claramente que la profesora no tiene frescos los conceptos. Debería preparar su clase antes de grabarla. Todas tienen multiples herrores de sintaxis.
Muy interesante la clase. Me confunde un poco el término filtrar en la clase. Por una parte, las series de tiempo pueden tener ruido y se filtran para “alisarlas”. Pero también se puede filtrar los datos para ver, por ejemplo, los de un año en específico.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.