{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# آماده‌سازی داده‌ها\n",
"\n",
"در این نوت‌بوک، نشان می‌دهیم که چگونه:\n",
"- داده‌های سری زمانی را برای این ماژول آماده کنیم\n",
"- داده‌ها را بصری‌سازی کنیم\n",
"\n",
"داده‌های این مثال از مسابقه پیش‌بینی GEFCom2014 گرفته شده است. \n",
"این داده‌ها شامل ۳ سال بار الکتریکی ساعتی و مقادیر دما بین سال‌های ۲۰۱۲ تا ۲۰۱۴ می‌باشد.\n",
"\n",
"تائو هانگ، پیر پینسون، شو فان، حمیدرضا زارعی‌پور، آلبرتو تروکولی و راب جی. هیندمن، \"پیش‌بینی احتمالی انرژی: مسابقه جهانی پیش‌بینی انرژی ۲۰۱۴ و فراتر از آن\"، مجله بین‌المللی پیش‌بینی، جلد ۳۲، شماره ۳، صفحات ۸۹۶-۹۱۳، جولای-سپتامبر ۲۰۱۶.\n"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [],
"source": [
"import os\n",
"import matplotlib.pyplot as plt\n",
"from common.utils import load_data\n",
"%matplotlib inline"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"داده‌ها را از فایل csv به یک دیتافریم پانداس بارگذاری کنید\n"
]
},
{
"cell_type": "code",
"execution_count": 7,
"metadata": {},
"outputs": [
{
"output_type": "execute_result",
"data": {
"text/plain": [
" load\n",
"2012-01-01 00:00:00 2698.0\n",
"2012-01-01 01:00:00 2558.0\n",
"2012-01-01 02:00:00 2444.0\n",
"2012-01-01 03:00:00 2402.0\n",
"2012-01-01 04:00:00 2403.0"
],
"text/html": "\n\n
\n \n \n | \n load | \n
\n \n \n \n | 2012-01-01 00:00:00 | \n 2698.0 | \n
\n \n | 2012-01-01 01:00:00 | \n 2558.0 | \n
\n \n | 2012-01-01 02:00:00 | \n 2444.0 | \n
\n \n | 2012-01-01 03:00:00 | \n 2402.0 | \n
\n \n | 2012-01-01 04:00:00 | \n 2403.0 | \n
\n \n
\n