Das Resampling von Zeitreihendaten bedeutet, die Daten für einen neuen Zeitraum zusammenzufassen oder zu aggregieren.

Wir können die folgende grundlegende Syntax verwenden, um Zeitreihendaten in Python neu abzutasten:

#Finde die …

Ein rollierender Median ist der Median einer bestimmten Anzahl früherer Perioden in einer Zeitreihe.

Um den gleitenden Median für eine Spalte in einem Pandas DataFrame zu berechnen, können wir die …

Eine Zeitreihe wird als „stationär“ bezeichnet, wenn sie keinen Trend aufweist, über die Zeit eine konstante Varianz aufweist und über die Zeit eine konstante Autokorrelationsstruktur aufweist.

Eine Möglichkeit zu testen …

Der symmetrische mittlere absolute prozentuale Fehler (SMAPE) wird verwendet, um die Vorhersagegenauigkeit von Modellen zu messen. Es wird berechnet als:

SMAPE = (1/n) * Σ(|Prognose – Ist| / ((|Ist| + |Prognose|)/2) * 100 …

Eine naive Prognose ist eine Prognose, bei der die Prognose für einen bestimmten Zeitraum einfach dem in der vorherigen Periode beobachteten Wert entspricht.

Angenommen, wir haben in den ersten drei …

Rollierende Korrelationen sind Korrelationen zwischen zwei Zeitreihen in einem rollierenden Fenster. Ein Vorteil dieser Art von Korrelation besteht darin, dass Sie die Korrelation zwischen zwei Zeitreihen im Zeitverlauf visualisieren können …

Ein kumulativer Durchschnitt gibt uns den Durchschnitt einer Reihe von Werten bis zu einem bestimmten Punkt an.

Das folgende Schritt-für-Schritt-Beispiel zeigt, wie Sie einen kumulativen Durchschnitt für einen Datensatz in …

In der Statistik ist der mittlere absolute Fehler (MAE, engl. mean absolute error) eine Möglichkeit, die Genauigkeit eines bestimmten Modells zu messen. Es wird berechnet als:

MAE = (1/n) * Σ …

Die Autokorrelation misst den Ähnlichkeitsgrad zwischen einer Zeitreihe und einer verzögerten Version von sich selbst über aufeinanderfolgende Zeitintervalle.

Es wird manchmal auch als "serielle Korrelation" oder "verzögerte Korrelation" bezeichnet, da …

Der gleitende Durchschnitt ist einfach der Mittelwert einer bestimmten Anzahl vorheriger Perioden in einer Zeitreihe.

Um den rollierenden Mittelwert für eine oder mehrere Spalten in einem Pandas DataFrame zu berechnen …

Die mittlere absolute Abweichung misst die Streuung der Beobachtungen in einem Datensatz.

Dies ist eine besonders nützliche Metrik, da sie weniger von Ausreißern betroffen ist als andere Streuungsmaße wie Standardabweichung …

In der Zeitreihenanalyse ist ein gleitender Durchschnitt einfach der Durchschnittswert einer bestimmten Anzahl vorheriger Perioden.

Ein exponentieller gleitender Durchschnitt ist eine Art gleitender Durchschnitt, der jüngsten Beobachtungen mehr Gewicht verleiht …

Der mittlere absolute prozentuale Fehler (MAPE) wird üblicherweise verwendet, um die Vorhersagegenauigkeit von Modellen zu messen. Es wird berechnet als:

MAPE = (1 / n) * Σ (| actual - prediction | / | actual |) * 100

wo:

• Σ …

Der mittlere quadratische Fehler (engl. Mean Squared Error - MSE) ist eine übliche Methode zur Messung der Vorhersagegenauigkeit eines Modells. Es wird berechnet als:

MSE = (1 / n) * Σ (actual - prediction) ^{2 …}

Der Root Mean Square Error (RMSE) ist eine Metrik, die angibt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einem Modell im Durchschnitt entfernt sind. Es wird berechnet …

Rollende Korrelationen sind Korrelationen zwischen zwei Zeitreihen in einem rollenden Fenster. Ein Vorteil dieser Art von Korrelation besteht darin, dass Sie die Korrelation zwischen zwei Zeitreihen über die Zeit visualisieren …

Der einfachste Weg, ein Dataframe um einen Datumsbereich in R zu unterteilen, ist die Verwendung der folgenden Syntax:

df[df$date >= "some date" & df$date <= "some date", ]

Dieses Tutorial enthält …

In der Zeitreihenanalyse ist ein gleitender Durchschnitt einfach der Durchschnittswert einer bestimmten Anzahl vorheriger Perioden.

Ein exponentieller gleitender Durchschnitt ist eine Art gleitender Durchschnitt, der jüngsten Beobachtungen mehr Gewicht verleiht …

Gelegentlich möchten Sie möglicherweise tägliche Daten zu wöchentlichen, monatlichen oder jährlichen Daten in R zusammenfassen.

In diesem Tutorial wird erklärt, wie dies mit den Paketen lubridate und dplyr einfach möglich …

Oft möchten Sie eine Zeitreihe in R zeichnen, um zu visualisieren, wie sich die Werte der Zeitreihen im Laufe der Zeit ändern.

In diesem Tutorial wird erklärt, wie Sie dies …

Es gibt zwei Möglichkeiten, das Jahr schnell aus einem Datum in R zu extrahieren:

Methode 1: Verwenden Sie format()

df$year <- format(as.Date(df$date, format="%d/%m/%Y …

Die mittlere absolute Abweichung misst die Streuung der Beobachtungen in einem Datensatz.

Dies ist eine besonders nützliche Metrik, da sie weniger von Ausreißern betroffen ist als andere Streuungsmaße wie Standardabweichung …

Der mittlere absolute prozentuale Fehler (MAPE, engl. mean absolute percentage error) ist eine Metrik, die angibt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einer Regressionsanalyse im Durchschnitt …

Der mittlere quadratische Fehler (MSE, engl. mean squared error) ist eine Metrik, die angibt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einer Regressionsanalyse im Durchschnitt entfernt sind …

Die Autokorrelation misst den Ähnlichkeitsgrad zwischen einer Zeitreihe und einer verzögerten Version von sich selbst über aufeinanderfolgende Zeitintervalle.

Es wird manchmal auch als "serielle Korrelation" oder "verzögerte Korrelation" bezeichnet, da …

Eine der am häufigsten verwendeten Metriken zur Messung der Vorhersagegenauigkeit eines Modells ist MSE, was für Mean Squared Error steht. Es wird berechnet als:

MSE = (1 / n) * Σ (Ist – Vorhersage …

Der Root Mean Square Error (RMSE) ist eine Metrik, die angibt, wie weit unsere vorhergesagten Werte von unseren beobachteten Werten in einer Regressionsanalyse im Durchschnitt entfernt sind. Es wird berechnet …

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MSE, was für Mean Squared Error steht. Es wird berechnet als:

MSE = (1 / n) * Σ (Ist – Prognose …

Die exponentielle Glättung ist eine Technik zum „Glätten“ von Zeitreihendaten und wird häufig für kurzfristige Prognosen verwendet.

Die Grundidee ist, dass Zeitreihendaten häufig mit „zufälligem Rauschen“ verbunden sind, was zu …

Ein gewichteter gleitender Durchschnitt ist eine Technik, mit der Zeitreihendaten geglättet werden können, um das „Rauschen“ in den Daten zu reduzieren und Muster und Trends leichter zu identifizieren.

Die ganze …

Ein gleitender Durchschnitt ist eine Technik, mit der Zeitreihendaten geglättet werden können, um das „Rauschen“ in den Daten zu reduzieren und Muster und Trends leichter zu identifizieren.

Die ganze Idee …

In der Statistik ist die Regressionsanalyse eine Technik, mit der wir die Beziehung zwischen einer Prädiktorvariablen x und einer Antwortvariablen y verstehen.

Wenn wir eine Regressionsanalyse durchführen, erhalten wir ein …

Der Ljung-Box-Test, benannt nach den Statistikern Greta M. Ljung und George EP Box, ist ein statistischer Test, der prüft, ob in einer Zeitreihe eine Autokorrelation vorliegt.

Der Ljung-Box-Test wird häufig …

Der mittlere quadratische Fehler (engl. Mean Squared Error = MSE) ist eine übliche Methode zur Messung der Vorhersagegenauigkeit eines Modells. Es wird berechnet als:

MSE = (1 / n) * Σ (Ist – Vorhersage) ^{2 …}

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MAPE, was für den mittleren absoluten prozentualen Fehler steht.

Die Formel zur Berechnung der MAPE lautet wie …

Die mittlere absolute Abweichung (engl. MAD – Mean Absolute Deviation) ist eine Möglichkeit, die Streuung für einen Satz von Datenwerten zu messen.

Ein niedriger Wert für die mittlere …

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MAPE, was für den mittleren absoluten prozentualen Fehler (Mean Absolute Percentage Error) steht …