10 - Filtrado de series temporales
Lección 10 del curso Pandas Nivel Avanzado.
En la lección anterior vimos las técnicas de “slicing” de Series de Tiempo que nos permiten extraer registros (filas completas) con base en los valores del índice (tipo DatetimeIndex).
Peru resulta que podemos combinar estas técnicas de “slicing” con métodos propios de DatetimeIndex y herramientas como el uso de condicionales para extraer diferentes porciones de la Serie de Tiempo de manera más sofisticada.
Además de esto, al usar DatetimeIndex tendremos métodos adicionales en las Series o DataFrames de Pandas que nos permitirán también extraer porciones de interés.
Este conjunto de técnicas se conoce como el filtrado y en esta lección veremos las que considero resultarán más útiles para operar sobre Series de Tiempo:
Suscríbete y accede al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Acabamos de ver cómo usar el método loc de Pandas en combinación con condicionales para filtrar una Serie de Tiempo.
Adicionalmente, vimos cómo el uso de los métodos at_time(), between_time() y first(), aplicados directamente sobre la Serie o el DataFrame nos permiten de igual forma filtrar elementos de la Serie de Tiempo.
En la próxima lección hablaremos de los conceptos de frecuencias y “offsets” en el contexto de Series de Tiempo, los cuales resultarán fundamentales para entender las operaciones de re-muestreo y desplazamiento en el tiempo de Series Temporales que veremos posteriormente.