Lekce 10 - Data Mining - Vliv makroindikátorů na export - Dokončení dat

V minulé lekci, Data Mining - Vliv makroindikátorů na export - Příprava dat, jsme si připravili data pro další reálnou úlohu - vliv makroindikátorů na vývoj exportu. Zaměřili jsme se na korelaci a regresi.

V tomto tutoriálu Data Miningu budeme pokračovat ve zpracování úlohy na reálných datech, jejímž cílem je analyzovat vztah mezi hlavními makroekonomickými indikátory České republiky a vývojem exportu z ČR do Německa. Tentokrát dokončíme přípravu dat pro statistické zpracování.

Úprava datasetu czkEurPracDny

Pro testování je nutné sjednotit období, za která jsou data k dispozici. V datasetu czkEurPracDny si z dat o vývoji kurzu na denní bázi zpracujeme průměr za každý měsíc a průměr za každé čtvrtletí. V datasetu exportMesicne z měsíčních dat o exportu do Německa uděláme součet za každé čtvrtletí. Jdeme na to.

Dataset czkEurPracDny máme ve formátu csv (soubor czk_eur_pracovni_dny.csv), kde nejsou uvedeny názvy sloupců. Pro přehlednost si názvy sloupců jako colnames doplníme do dataframu, který potom načteme. Nastavíme vlastní cestu k souboru, oddělovač, údaje o záhlaví, o sloupcích a kódování znaků (nastaví se utf-8). Začít musíme samozřejmě s importem knihovny pandas:

import pandas as pd
colnames = ['date', 'value']
czkEurPracDny = pd.read_csv("czk_eur_pracovni_dny.csv", sep=',', header=None, names=colnames, encoding='utf-8', index_col=None)

Kontrolu provedeme zobrazením přes print(df):

...konec náhledu článku...
Pokračuj dál