🐼 Zeitreihenanalyse & Daten speichern mit Pandas

🐼 Zeitreihenanalyse & Daten speichern mit Pandas#

📅 Datumsangaben verarbeiten mit pd.to_datetime()#

Wenn eine Spalte ein Datum enthält, solltest du sie in ein datetime-Objekt umwandeln:

import pandas as pd

df = pd.DataFrame({
    "Datum": ["2024-01-15", "2024-01-20", "2024-02-05"],
    "Temperatur": [2.1, 3.4, 5.0]
})

df["Datum"] = pd.to_datetime(df["Datum"])

➡️ Jetzt kann Pandas mit den Werten als Zeitstempel rechnen und gruppieren.

📆 Zeitwerte extrahieren: .dt.year, .dt.month, .dt.day#

df["Monat"] = df["Datum"].dt.month
df["Jahr"] = df["Datum"].dt.year

➡️ Nützlich für Gruppierungen, Visualisierung oder Filterung

📈 Zeitreihen analysieren mit .resample()#

.resample() funktioniert wie groupby() – nur auf Zeitachsen!

Dafür muss das Datum im Index stehen:

df.set_index("Datum", inplace=True)

# Durchschnitt pro Monat:
df_monatlich = df.resample("M").mean()

Kürzel

Bedeutung

“D”

täglich

“W”

wöchentlich

“M”

monatlich

“Y”

jährlich

Kürzel

Bedeutung

‘Q’

Quartal

‘Y’

jährlich

‘H’

stündlich

‘T’

minütlich (T = “minute”)

🧪 Beispiel: Temperatur-Zeitreihe analysieren mit resample()#

Wir erstellen eine kleine tägliche Zeitreihe über mehrere Wochen und berechnen den Wochendurchschnitt der Temperatur mit .resample(“W”).

import pandas as pd

# Beispieldaten: Tägliche Temperaturen im Januar
daten = {
    "Datum": pd.date_range(start="2024-01-01", periods=15, freq="D"),
    "Temperatur": [2.3, 2.8, 3.1, 1.9, 2.5, 3.0, 3.2,
                   2.9, 2.6, 3.4, 2.8, 3.0, 2.7, 3.1, 3.3]
}

df = pd.DataFrame(daten)
df.set_index("Datum", inplace=True)

print("📅 Tagesdaten:")
print(df.head())

📈 Wöchentliche Durchschnittstemperatur:#

woechentlich = df.resample("W").mean()
print("\n📊 Wöchentliche Durchschnittstemperatur:")
print(woechentlich)

💡 Erklärung:#

.resample("W") → gruppiert die Zeitreihe wochenweise (Sonntag-Sonntag)

.mean() → berechnet den Durchschnitt pro Woche

Weitere Aggregationen sind möglich: .sum(), .max(), .agg(...)

🔍 Beispiel-Ausgabe:#

📅 Tagesdaten:
            Temperatur
Datum                
2024-01-01        2.3
2024-01-02        2.8
2024-01-03        3.1
2024-01-04        1.9
2024-01-05        2.5

📊 Wöchentliche Durchschnittstemperatur:
            Temperatur
Datum                 
2024-01-07     2.685714
2024-01-14     2.942857
2024-01-21     3.300000

📤 Daten exportieren#

🔸 Als CSV:#

df.to_csv("auswertung.csv", index=False)

🔸 Als Excel:#

df.to_excel("auswertung.xlsx", index=False)
🔧 Voraussetzung: pip install openpyxl

🔸 Als JSON:#

df.to_json("auswertung.json", orient="records", indent=2)

✅ Zusammenfassung#

Thema

Beispiel

Datum konvertieren

pd.to_datetime()

Zeitwerte extrahieren

.dt.month, .dt.year

Zeitlich gruppieren

.resample("M").mean()

Ergebnisse speichern

.to_csv(), .to_excel(), .to_json()

🔧 Übung: Wetterdaten analysieren#

📄 Beispielhafte CSV-Datei wetter.csv:#

Datum,Temperatur
2024-01-01,2.3
2024-01-02,3.1
2024-01-15,1.8
2024-02-01,4.5
2024-02-15,5.1
2024-03-01,7.2

✅ Aufgaben:#

  • Lade die Datei wetter.csv mit pd.read_csv()

  • Wandle die “Datum”-Spalte in datetime-Format um

  • Setze “Datum” als Index

  • Berechne die monatliche Durchschnittstemperatur

  • Exportiere die Ergebnisse als monatstemperatur.csv

✅ Lösung:#

💡 Lösung anzeigen

df = pd.read_csv("wetter.csv")
df["Datum"] = pd.to_datetime(df["Datum"])
df.set_index("Datum", inplace=True)

monatlich = df.resample("M").mean()
monatlich.to_csv("monatstemperatur.csv")
Contents