{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Σε αυτό το σημειωματάριο, δείχνουμε πώς να:\n",
"- προετοιμάσουμε δεδομένα χρονοσειρών για αυτήν την ενότητα\n",
"- οπτικοποιήσουμε τα δεδομένα\n",
"\n",
"Τα δεδομένα σε αυτό το παράδειγμα προέρχονται από τον διαγωνισμό πρόβλεψης GEFCom2014. Αποτελούνται από 3 χρόνια ωριαίων τιμών ηλεκτρικού φορτίου και θερμοκρασίας μεταξύ 2012 και 2014.\n",
"\n",
"Tao Hong, Pierre Pinson, Shu Fan, Hamidreza Zareipour, Alberto Troccoli και Rob J. Hyndman, \"Πιθανολογική πρόβλεψη ενέργειας: Παγκόσμιος Διαγωνισμός Πρόβλεψης Ενέργειας 2014 και πέρα\", International Journal of Forecasting, τόμος 32, τεύχος 3, σελ. 896-913, Ιούλιος-Σεπτέμβριος, 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": [
"Φορτώστε τα δεδομένα από το csv σε ένα Pandas dataframe\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