{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "# Przygotowanie danych\n", "\n", "W tym notatniku pokazujemy, jak:\n", "- przygotować dane szeregów czasowych dla tego modułu\n", "- wizualizować dane\n", "\n", "Dane w tym przykładzie pochodzą z konkursu prognozowania GEFCom2014. Składają się z 3 lat godzinowych wartości zużycia energii elektrycznej i temperatury w okresie od 2012 do 2014 roku.\n", "\n", "Tao Hong, Pierre Pinson, Shu Fan, Hamidreza Zareipour, Alberto Troccoli i Rob J. Hyndman, \"Probabilistyczne prognozowanie energii: Globalny Konkurs Prognozowania Energii 2014 i później\", International Journal of Forecasting, vol.32, nr.3, s. 896-913, lipiec-wrzesień, 2016.\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": [ "Załaduj dane z pliku csv do ramki danych Pandas\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 | load | \n
---|---|
2012-01-01 00:00:00 | \n2698.0 | \n
2012-01-01 01:00:00 | \n2558.0 | \n
2012-01-01 02:00:00 | \n2444.0 | \n
2012-01-01 03:00:00 | \n2402.0 | \n
2012-01-01 04:00:00 | \n2403.0 | \n