Toggle navigation

• Projekt Jupyter
• Návody
• Stiahnuť
• Prihlásiť sa na test
• Prihlásiť sa

1. Data Lab
2. JDA
3. cvicenia
4. python6_ulohy.ipynb

Toto je statické zobrazenie, ak chcete Notebook spustiť, prihláste sa do prostredia Data Lab.

Úlohy k prednáške 6 – Časové rady (Time Series)

V tomto notebooku si precvičíme rôzne techniky analýzy časových radov pomocou datasetu Denné minimálne teploty (daily-min-temperatures). Tento dataset obsahuje denné záznamy o minimálnych teplotách v meste Melbourne, Austrália, v období 1981–1990.

---

Import a príprava prostredia

Úloha 0:

1. Importujte potrebné knižnice:
   • pandas ako pd
   • numpy ako np
   • matplotlib.pyplot ako plt
   • seaborn ako sns
   • seasonal_decompose z statsmodels.tsa.seasonal
   • plot_acf, plot_pacf z statsmodels.graphics.tsaplots
2. Nastavte základný štýl pre grafy pomocou seaborn.
3. Aktivujte inline vykresľovanie grafov v Jupyter Notebooku.

# YOUR CODE

1. Načítanie dát a základný prieskum

Úloha 1:

1. Načítajte dataset daily-min-temperatures z URL https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-min-temperatures.csv pomocou pandas.
2. Vytvorte objekt typu DataFrame s názvom df_temps.
3. Vypíšte:
   • Rozmery datasetu (počet riadkov, počet stĺpcov)
   • Hlavné informácie o DataFrame – typy stĺpcov, koľko je neprázdnych hodnôt
   • Základné štatistiky o číselných stĺpcoch
4. Pozrite si prvých 5 riadkov.

# YOUR CODE

2. Úprava dátového indexu na čas

Úloha 2:

1. Prekonvertujte stĺpec Date na formát datetime.
2. Nastavte tento stĺpec Date ako index DataFrame df_temps a vytvorte nový DataFrame df_ts.
3. Overte, že index je typu DatetimeIndex.
4. Vypíšte prvých 5 riadkov pre nový DataFrame df_ts.

# YOUR CODE

3. Základná analýza a vizualizácia

Úloha 3:

1. Vykonajte základnú štatistickú analýzu časového radu df_ts.
2. Vytvorte lineárny graf dennej minimálnej teploty pomocou matplotlib.
3. Vyberte dáta za konkrétny rok (napr. 1985) a vykreslite teploty pre tento rok.

# TODO

4. Vyhladzovanie a rolovanie

Úloha 4:

1. Vytvorte nový stĺpec ma_30, ktorý bude obsahovať 30-dňový kĺzavý priemer dennej minimálnej teploty.
2. Vykreslite pôvodné dáta spolu s kĺzavým priemerom.
3. Diskutujte, ako kĺzavý priemer ovplyvňuje zobrazenie trendu v dátach.

# YOUR CODE

5. Exponenciálne vyhladzovanie

Úloha 5:

1. Vytvorte nový stĺpec ewm_alpha_0.1, ktorý bude obsahovať Exponentially Weighted Moving Average (EWMA) s alpha=0.1.
2. Vykreslite pôvodné dáta spolu s EWMA.
3. Porovnajte EWMA s kĺzavým priemerom a diskutujte rozdiely.

# YOUR CODE

6. Differencing a shifting

Úloha 6:

1. Pridajte stĺpce diff_1 a shift_1 do DataFrame df_ts:
   • diff_1 – prvý rozdiel (hodnota v čase t minus hodnota v čase t–1).
   • shift_1 – posun hodnôt o 1 obdobie dozadu.
2. Vysvetlite, čo tieto stĺpce reprezentujú a aký majú význam pri analýze časových radov.

# YOUR CODE

7. Dekompozícia časového radu

Úloha 7:

1. Vykonajte dekompozíciu časového radu pomocou funkcie seasonal_decompose s modelom additive a periodou 365 dní.
2. Vykreslite výsledky dekompozície (Observed, Trend, Seasonal, Residual).
3. Diskutujte o výsledkoch – identifikujte trend a sezónnosť v dátach.

# YOUR CODE

8. Resampling a agregácia

Úloha 8:

1. Resampleujte denné dáta na mesačné priemery teplôt pomocou resample('M').mean() a vytvorte nový DataFrame df_monthly.
2. Vykreslite mesačné priemery dennej minimálnej teploty.
3. Diskutujte, ako resampling ovplyvňuje analýzu dát.

# YOUR CODE

9. Autokorelácia a čiastočná autokorelácia

Úloha 9:

1. Vykreslite Autokoreláciu (ACF) a Čiastočnú autokoreláciu (PACF) pre denné minimálne teploty pomocou plot_acf a plot_pacf z statsmodels.
2. Interpretujte grafy – identifikujte, či existuje silná autokorelácia a na ktorých lagoch.

# YOUR CODE

---

© 2020-2026 UUI