Remuestrear series temporales

El remuestreo cambia la frecuencia de una serie temporal. El submuestreo reduce la frecuencia; por ejemplo, convierte datos diarios en totales mensuales. El sobremuestreo aumenta la frecuencia; por ejemplo, convierte datos mensuales en datos diarios y rellena los huecos con valores interpolados. Ambas operaciones requieren un DatetimeIndex y se realizan con el método resample(), la versión de groupby() de Pandas consciente del tiempo.

df.resample(rule) crea un objeto DatetimeIndexResampler, donde rule es un alias de desplazamiento de frecuencia. Al igual que con groupby(), no se calcula nada hasta encadenar un método de agregación. Reglas habituales: 'D' (día), 'W' (semana), 'ME' (fin de mes), 'QE' (fin de trimestre) y 'YE' (fin de año). El DataFrame debe tener un DatetimeIndex.

Para aplicar submuestreo a datos diarios y convertirlos en mensuales, llame a resample('ME') y encadene una agregación. sum() proporciona los totales mensuales; mean(), los promedios mensuales; y last(), el último valor de cada periodo. El resultado tiene una fila por periodo, con la fecha de fin del periodo como etiqueta del índice.

Use 'W' en el remuestreo para agregar por semana natural, con final en domingo. Use 'W-MON' si desea semanas que terminen en lunes. Pandas agrupa todas las fechas de cada semana y aplica la agregación. Esto resulta útil para informes semanales en los que desea una fila de resumen por semana.

Al igual que con groupby(), puede encadenar .agg() a un remuestreador para calcular varias estadísticas en una sola pasada. Pase una lista de nombres de funciones o un diccionario para realizar agregaciones con nombre. Esta es la forma más eficiente de crear una tabla completa de resumen de series temporales.

En las series temporales financieras, el método .ohlc() remuestrea los datos para obtener valores de apertura, máximo, mínimo y cierre (OHLC) por periodo, que constituyen la representación estándar de velas japonesas. Esto solo es significativo para datos numéricos que representan un precio o nivel. Cada columna de entrada genera cuatro columnas OHLC en la salida.

El sobremuestreo aumenta la frecuencia, lo que crea filas para marcas temporales que no existían en los datos originales. Estas filas nuevas contienen inicialmente NaN. Después debe rellenarlas con un método adecuado para sus datos: ffill() (relleno hacia delante: propaga el último valor conocido) o bfill() (relleno hacia atrás: usa el siguiente valor conocido), o interpolate() para realizar una interpolación suave.

Después del sobremuestreo, rellene los huecos NaN creados para las nuevas marcas temporales. ffill() propaga el último valor conocido hacia delante hasta la siguiente observación real, lo que resulta adecuado para precios cuyo último precio negociado sigue siendo válido. interpolate(method='linear') rellena con valores espaciados linealmente entre las observaciones, lo que resulta adecuado para variables continuas suaves.

Puede combinar groupby() y resample() para remuestrear cada grupo por separado. Llame a groupby(column).resample(rule) en un DataFrame con un DatetimeIndex. Esto produce un resultado con un MultiIndex cuyo nivel exterior es la clave del grupo y cuyo nivel interior es el periodo temporal remuestreado, algo muy útil para analizar series temporales por producto o por región.

De forma predeterminada, 'ME' se ancla a las fechas de fin de mes del calendario. Para periodos fiscales no estándar, use desplazamientos como 'QS-APR' (trimestre que comienza en abril) o 'YS-OCT' (año que comienza en octubre). Pandas admite muchos alias de desplazamiento anclados. Consulte la documentación de Pandas para obtener la lista completa cuando trabaje con periodos fiscales no naturales.

Después del remuestreo, compruebe siempre que el resultado sea coherente. Verifique que el número de periodos de salida coincida con lo esperado, que no falte ningún periodo (busque valores NaN en la salida) y que la suma de los totales mensuales sea igual a la suma de los datos diarios originales cuando aplique un submuestreo con sum(). Estas comprobaciones de coherencia permiten detectar errores de desfase de una unidad en las cadenas de frecuencia y rangos de fechas incompletos.

En esta lección ha aprendido: que resample() es el equivalente de groupby() consciente del tiempo para cambiar la frecuencia de una serie temporal; que el submuestreo agrega datos (de diarios a mensuales mediante sum/mean); que el sobremuestreo crea nuevas marcas temporales que deben rellenarse con ffill() o interpolate(); y que puede combinar groupby() con resample() para agregar datos temporales por grupo. A continuación, exploraremos el desplazamiento y las variables de desfase.