Learn AI with Python · Lektion

Zeitreihen in Pandas

DatetimeIndex, resample(), rolling(), shift(), Datumsbereiche erzeugen und Resampling.

Zeitreihen in Pandas ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.

Zeit in pandas

pandas bietet eine umfassende Unterstützung für Datums- und Zeitangaben. Wenn Sie Zeichenfolgen in Zeitstempel umwandeln und nach Zeit indizieren, können Sie Resampling, gleitende Fenster und Verzögerungs-Features verwenden.

Parsen mit to_datetime

pd.to_datetime wandelt Zeichenfolgen oder Zahlen in echte Timestamp-Objekte um und erkennt die gängigsten Formate automatisch.

import pandas as pd
d = pd.to_datetime(["2026-01-01", "2026-01-05", "2026-02-10"])
print(d)
print(d.dtype)   # datetime64[ns]

Datumsangaben mit date_range erzeugen

pd.date_range erstellt eine gleichmäßig verteilte Folge von Zeitstempeln. Der freq-Code legt den Schritt fest: D für Tage, H für Stunden, M für Monatsenden und so weiter.

rng = pd.date_range("2026-01-01", periods=5, freq="D")
print(rng)
# 2026-01-01 ... 2026-01-05

Einen DatetimeIndex erstellen

Wenn Sie eine Datumsspalte als Index festlegen, entsteht ein DatetimeIndex. Dadurch werden zeitsensitive Auswahlvorgänge sowie die Werkzeuge resample und rolling ermöglicht.

ts = pd.Series([10, 12, 9, 15, 11],
               index=pd.date_range("2026-01-01", periods=5, freq="D"))
print(ts)

Slicing mit Teilstrings

Mit einem DatetimeIndex können Sie anhand unvollständiger Datumsangaben auswählen: Eine Jahres- oder Monatszeichenfolge wählt alle passenden Zeilen aus.

monthly = pd.Series(range(60),
    index=pd.date_range("2026-01-01", periods=60, freq="D"))
print(monthly["2026-02"].head())   # all of February

Downsampling mit resample

resample ist groupby für Zeitdaten. Führen Sie ein Downsampling auf eine gröbere Frequenz durch und aggregieren Sie anschließend, zum Beispiel Tagesdaten zu Wochensummen.

weekly = monthly.resample("W").sum()
print(weekly.head())

Upsampling und Auffüllen

Das Resampling auf eine FEINERE Frequenz erzeugt Lücken. Kombinieren Sie es mit .ffill(), um den letzten Wert fortzuschreiben.

hourly = ts.resample("12H").ffill()
print(hourly.head())

Gleitende Fenster

rolling(window) berechnet eine Statistik über ein gleitendes Fenster und bildet damit die Grundlage für gleitende Mittelwerte, die verrauschte Zeitreihen glätten.

roll = monthly.rolling(window=7).mean()
print(roll.head(10))   # first 6 are NaN (not enough history)

Varianten gleitender Fenster

Jede Reduktionsfunktion kann auf ein gleitendes Fenster angewendet werden: mean, sum, std, min, max. Eine gleitende Standardabweichung über 7 Tage misst die aktuelle Volatilität.

vol = monthly.rolling(7).std()
print(vol.tail())

Verzögerungen mit shift

shift(n) verschiebt Werte um n Zeiträume nach vorn. Dadurch entstehen Verzögerungs-Features und Änderungen von Zeitraum zu Zeitraum lassen sich berechnen.

df = pd.DataFrame({"sales": [100, 110, 105, 130]})
df["prev"] = df["sales"].shift(1)
df["pct_change"] = (df["sales"] - df["prev"]) / df["prev"]
print(df)

Datumskomponenten extrahieren

Der .dt-Accessor stellt Komponenten wie year, month und dayofweek bereit, die sich beispielsweise als Features für Modelle verwenden lassen.

s = pd.Series(pd.date_range("2026-01-01", periods=3, freq="D"))
print(s.dt.dayofweek)   # 0=Monday
print(s.dt.month)

Kurzer Test

Testen Sie Ihr Wissen über Zeitreihen.

Zusammenfassung

Werkzeuge für Zeitreihen:

pd.to_datetime zum Parsen, pd.date_range zum Erzeugen
Ein DatetimeIndex ermöglicht die Auswahl anhand unvollständiger Datumsangaben
resample(freq).agg() für Up- und Downsampling
rolling(window) für gleitende Statistiken
shift(n) für Verzögerungen; .dt für Datumskomponenten

Häufig gestellte Fragen

Ist die Lektion „Zeitreihen in Pandas“ kostenlos?

Ja — der vollständige Text von „Zeitreihen in Pandas“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Zeitreihen in Pandas“?

DatetimeIndex, resample(), rolling(), shift(), Datumsbereiche erzeugen und Resampling. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Learn AI with Python zu starten?

Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.

Wie lange dauert die Lektion „Zeitreihen in Pandas“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?

Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Learn AI with Python