В психиатрической практике всестороннее исследование больного имеет решающее значение для правильной постановки диагноза. Это исследование состоит из анамнеза жизни больного, субъективного и объективного анамнеза болезни, её развития, исследования психического состояния больного, неврологического, состояния внутренних органов и анализа лабораторных, инструментальных и других исследований.
Такое всестороннее изучение больного требует от врача большой внимательности и чуткости к высказываниям больного, неторопливости в своих выводах, глубокого изучения индивидуальности обследуемого и верной интерпретации его поведения.
При написании истории болезни куратору необходимо помнить, что чем подробнее анамнез, чем полнее описана патологическая симптоматика, тем больше он будет иметь возможностей для правильной диагностики и назначения адекватного лечения. Правильный подход к больному часто обеспечивает успех психиатрического исследования. Неудачный вопрос, выраженное сомнение, снисходительная улыбка врача, могут подорвать его авторитет и затормозить больного в его высказываниях. Поэтому, для успешного изучения больного, куратор должен выработать определенную форму поведения, чтобы между ним и больным установился доверительный контакт, т.е. расположение к беседе.. Для установления этого контакта следует руководствоваться некоторыми общими положениями:
а) перед началом беседы необходимо представиться, сказать свое имя и отчество, а также получить согласие больного «побеседовать»;
б) обращаться к больному нужно только на «Вы», по имени и отчеству. Беседу следует вести в доброжелательном тоне, исследование не должно носить характер «допроса», «журналистского интервью», «экзамена»;
в) не начинайте клиническую беседу с расспросов о болезни, вначале обсудите обыденные обстоятельства жизни пациента – его биографию; это важно для формирования контакта и для понимания развития у него болезни;
г) беседуйте неторопливо, спокойно, не пытайтесь сразу же разубеждать больного в его болезненных заблуждениях, но и не поощряйте болезненные суждения. Даже самые нелепые заявления и неправильности поведения больного не должны вызывать у куратора несерьезного отношения к нему. Следует помнить, что в ситуации клинического исследования можно смеяться только с больным, но не над больным;
д) старайтесь не обсуждать с больным его состояния, не дискутируйте в его присутствии с коллегами, не говорите при больном о найденных у него отклонениях;
е) в случае обращения больного к куратору с какими-либо просьбами или вопросами по поводу его болезни, лечения, режима наблюдения, выписки и т.д., постарайтесь тактично отослать его к лечащему врачу;
ж) каким бы антисоциальным не было поведение больного – никогда не допускайте обвиняюще-осуждающий тон беседы;
з) не спешите в начале исследования задать пациенту, по Вашему мнению, главный вопрос; например, имеются ли у него суицидальные мысли или галлюцинации и т.п. Если пациент в ходе беседы сам не ответил на него, задайте его в конце обследования;
и) в ходе клинического исследования важно выяснить, что пациент считает в себе или в своем состоянии самым главным, существенным. В психиатрии больной часто относит к главному – второстепенное и наоборот. Это имеет диагностическое значение, в частности, при оценке критики к заболеванию.
к) при психопатологическом исследовании важно не только обнаружение анамнестических фактов как таковых, но и выяснение (какими нелепыми они бы не представлялись) того, каков их мотивогенез, их связь с жизнью;
л) следует помнить, что психиатрия – единственная клиническая дисциплина, в которой изучение анамнеза одновременно является изучением статуса.
Курация больных обычно осуществляется в психиатрическом отделении, поэтому необходимо подчиняться режиму работы психиатрического отделения, соблюдать установленные правила по надзору за больными.
В психиатрическом отделении студенты должны находится в медицинских халатах, сменной обуви, можно брать с собой тетрадь и ручку. Остальные вещи следует оставлять в гардеробе.
При передвижениях по больнице необходимо следить за закрыванием дверей при входе и выходе в отделение.
Студенты не должны сообщать родственникам больных и другим посетителям какие-либо сведения о курируемых больных, должны сохранять в тайне фамилии больных, диагнозы, полученные анамнестические сведения и результаты обследований.
Не рекомендуется пользоваться распространенным в клиниках обращением – «больной», не следует давать невыполнимых обещаний (о выписке, прекращении лечения и т.п.). В этом случае целесообразно посоветовать обсудить эту тему с лечащим врачом.
Если тема разговора раздражает больного, усиливает напряженность, нужно изменить содержание беседы или даже прекратить её.
План истории болезни
- Причина госпитализации.Жалобы (на момент начала курации).
3.Анамнез:
– сведения о наследственности, социально-демографический статус;
– история жизни (anamnesis vitae);
– история настоящего заболевания (anamnesis morbi);
– употребление и злоупотребление психоактивными веществами;
– страховой анамнез.
4. Оценка личности больного.
- Объективный анамнез.Соматический статус.Неврологический статус.Психический статус.Данные дополнительных методов исследования.Дневник наблюдения.Клинический диагноз и его обоснование.Дифференциальный диагноз.План обследования.Вид наблюдения и план лечения.Прогноз.
Видеоигры сложный феномен современного социума, являющийся в одно и то же время новым видом игр, новым языком искусства, программным кодом, кибертекстом и интерактивным видео. Всестороннее исследование видеоигр необходимо для правильной оценки того несомненного влияния, которое они оказывают на жизнь отдельных людей и общества в целом. Изучением видеоигр в настоящее время занимается специально созданная дисциплина Game Studies («Философия видеоигр», или «Лудология»), находящаяся на стыке различных наук и прошедшая за несколько десятилетий путь от локальных и разрозненных научных работ в различных областях знания (философия, психология, культорология, маркетинг и т. д.) до полноценной научной дисциплины. В рамках исследования видеоигр можно анализировать визуальный ряд, историю (сценарий) и игровую механику, можно изучать программный код и техническую спецификацию (ведь любая видеоигра это компьютерная программа). С учетом многокомпонентной и многозначной природы видеоигр их исследование не может исчерпываться инструментарием и методами лишь одной отдельно взятой отрасли научного знания, но требует использования комплексных подходов и соединения науки и практики.
ВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВ
ㅤㅤВВㅤㅤㅤㅤㅤㅤㅤㅤВВㅤㅤㅤㅤВВㅤㅤㅤㅤㅤㅤㅤㅤВВㅤ
ВВВВВВВВВㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤㅤВВВВВВВВВㅤㅤㅤㅤ
Компьютерные игры и их влияние на геймеров давно интересует общественность. Неслучайно, мы активно следим за новинками, трендами и исследованиями в этой теме, а в магазинах выделены отдельные геймзоны со специализированным оборудованием.
В недавнем исследовании американские ученые университета Атланты опровергают мнение о том, что компьютерные игры являются пустой тратой времени и не приносят пользы, а игроки деградируют и теряют социальные навыки. Под катом делимся деталями этого исследования и основными выводами.
Американские ученые: «Коротко о главном…»
Видеоигры обеспечивают увлекательную познавательную среду с большим количеством сенсорных стимулов, а также оказывают благоприятное воздействие на когнитивную функцию тех, кто играет на постоянной основе.
В ходе эксперимента с применением функциональной магнитно-резонансной томографии (ФМРТ) мы изучили поведенческие реакции и реакции мозга во время выполнения задач и принятия решений среди тех, кто регулярно играет в видеоигры (геймеров) и тех, кто практически не играет.
Сравнительный анализ поведенческих реакций показал, что геймеры реагируют быстрее примерно на 190 миллисекунд и точнее на 2%. Данные различия коррелируют со специфическими изменениями в активности нейронных узлов и сетей в язычной извилине, дополнительной моторной области и таламусе.
Согласно результатам исследования, видеоигры потенциально улучшают некоторые процессы ощущения, восприятия и преобразования информации в действие. На их основе ученые могут прояснить, как именно видеоигры влияют на головной мозг для повышения эффективности выполнения задач, и разработать потенциальный метод тренировки когнитивных навыков.
Игры и жизнь
Когда мы выполняем повседневные задачи, то фокусируемся на соответствующей сенсорной информации, которую получаем и используем для преобразования в двигательную активность. Видеоигры требуют быстрой обработки поступающей информации и принятия решений. Многочисленные исследования выявляют когнитивные преимущества видеоигр для выполнения определенных задач, а также возможность их применения для тренировки определенных навыков. Однако чрезмерное увлечение ими может привести к аддиктивным расстройствам: абстиненции, отсутствию вовлеченности в повседневную деятельность. Тем не менее, в умеренном количестве видеоигры способны оказать благоприятное воздействие.
В этом исследовании с применением функциональной магнитно-резонансной томографии (ФМРТ) изучили влияние видеоигр на сенсомоторное принятие решений путем сопоставления поведенческих реакций и реакций мозга тех, кто играет в видеоигры на постоянной основе, и тех, кто не играет.
Целью было описание работы головного мозга и ее взаимосвязи с поведением под влиянием видеоигр. На основе большого количества сенсорной информации, которую предлагают видеоигры, появилось предположение, что геймеры лучше справляются с поставленными задачами, а также обладают повышенной активностью сенсомоторных узлов и нейросетей.
Участники исследования
Было отобрано 47 участников (28 геймеров и 19 человек, которые не играют в видеоигры). Группы были сопоставимы по возрасту (возраст геймеров – 20,6 ± 2,4, возраст тех, кто не играет – 19,9 ± 2,6).
Участники, которые уделяли видеоиграм 5 и более часов неделю в течение последних двух лет, были определены в группу геймеров. Вторую группу составили те, которые играл менее 5 часов в неделю в течение последних двух лет (в среднем, менее часа в неделю).
Стимул
В исследовании использовали задачу категоризации движущихся влево и вправо точек. В начале участникам демонстрировали определенный цвет (напр., красный). Затем на экране появлялись две группы из 600 точек, движущихся с одинаковой скоростью в противоположных направлениях.
Участнику следовало в течение 3 секунд определить направление движения точек целевого цвета и обозначить свой выбор нажатием кнопки (влево или вправо). Эта задача задействовала несколько подпроцессов: передача сенсорной информации головному мозгу, накопление сенсорной информации для процесса восприятия и соотнесение сделанного выбора с действием.
Данный стимул повторялся трижды в течение 15 секунд, после чего следовал 15-секундный перерыв. Для каждого стимула направление движения точек было рандомизированно. Цвет целевых и отвлекающих точек также выбирался случайным образом на основе цветовых пар, соответствующих текущей сложности задачи.
Цветовые пары были разделены на три уровня сложности (по стандартному цветовому кругу): легкий (первичные цвета: красный, желтый, синий), средний (первичный цвет и соседний вторичный цвет) и сложный (первичный/вторичный цвет и соседний третичный цвет). Скорость движения точек также была рандомизирована от отсутствия движения (скорость 0) до самой высокой 4 скорости.
Рисунок 1 демонстрирует шкалу скорости и цветовые пары, которые были использованы в данном исследовании.
Сбор и анализ поведенческих данных
При помощи программы PsychoPy участникам демонстрировали стимулы и собирали данные о поведенческих реакциях. Ответы и продемонстрированное ими время регистрировали и переводили в коэффициент успешности.
Чтобы правильные ответы зачлись, участникам нужно было отвечать верно в течение периода действия стимула. Количество верных ответов делили на общее количество заданий; полученное число умножали на 100. Таким образом получили процентный балл для каждого участника. Участники должны были дать ответ в течение 3 секунд после начала задания.
Данные ФМРТ
Прежде всего нами были получены анатомические снимки мозга высокого разрешения для проведения воксель-ориентированной морфометрии и анатомического исследования в режиме Т1-MEMPRAGE (TR = 2530 мс, TE1-4: 1,69-7,27 мс, TI = 1260 мс, угол отклонения = 7 градусов, размер вокселя = 1мм × 1мм × 1мм).
Затем в четырех функциональных прогонах был применен режим Т2*-взвешенной градиентной эхо-планарной последовательности (TR = 535 мс, TE = 30 мс, угол отклонения = 46 градусов, область сканирования = 240 мм, размер вокселя = 3,8 мм × 3,8 мм × 4 мм, количество срезов = 32 (собраны в порядке чередования), толщина срезов = 4 мм).
Во время выполнения заданий было получено 3440 изображений головного мозга. Обработка полученных данных производилась с помощью программного обеспечения Statistical Parametric Mapping на базе MATLAB (SPM12) (Friston, 2010).
Данные импортировались из формата DICOM в формат NIFTI, после чего срезы выравнивались по одному моменту времени, были применены инструменты коррекции движения и дисторсии поля изображений.
Затем данные каждого участника приводились к стандартизированному пространству по электронному атласу анатомических структур с использованием унифицированной сегментации. Нормализованные изображения сглаживались с применением изотропного гауссова ядра (8 мм).
Определение области исследования (ОИ)
Активации нейронов головного мозга в связи с решением задач рассчитывались с применением двухуровневой модели анализа случайных эффектов (Friston, 2010). Для анализа первого уровня данных был применен однофакторный анализ, основанный на общих линейных моделях (ОЛМ).
ОЛМ определялась как y = βX + ε, где y – экспериментальные данные для воксела, β – матрица параметров регрессии, X – дизайн-матрица (модель), построенная из последовательности стимулов и задач, а также движений участника, а ε – остаточная погрешность. Для каждого участника была определена матрица эксперимента ОЛМ на основе того, когда определенное условие задачи появлялось в течение четырех прогонов.
Заданные условия задачи: легкий уровень, скорость 0 (E0), легкий уровень, скорость 1 (E1), легкий уровень, скорость 2-3 (E23), легкий уровень, скорость 4 (E4), средний уровень, скорость 0 (M0), средний уровень, скорость 1 (M1), средний уровень, скорость 2-3 (M23), средний уровень, скорость 4 (M4), сложный уровень, скорость 0 (H0), сложный уровень, скорость 1 (H1), сложный уровень, скорость 2-3 (H23), сложный уровень, скорость 4 (H4), а также шесть параметров движения. Для каждого участника были созданы контрастные изображения «задача-покой» и «движение-отсутствие движения».
При помощи второго уровня анализа мы определили области исследования для контрастов каждого участника. Были определены кластеры активации с поправкой на множественные сравнения, основанной на FWER (групповой вероятности ошибки первого рода) при p <0,01 и размере кластера k >20 (рис. 2А).
Координаты пиков активации кластеров, которые часто встречались в обеих экспериментальных группах, были записаны и использованы в качестве областей исследования в ПО PickAtlas (Maldjian et al., 2003). На рисунке 2В показаны все 26 выбранных областей исследования в целом и по каждому контрасту.
Результаты
У геймеров наблюдается повышение скорости реакции и точности решений
Участники, регулярно играющие в видеоигры, в ходе исследования продемонстрировали более быструю реакцию и более высокую точность ответов при всех условиях задачи. Значительно более высокая точность наблюдалась у группы геймеров при решении задачи в целом (на 2,24 ± 6,87%), а также при низком уровне сложности (7,12 ± 5,38%).
У геймеров также наблюдалась значительно более быстрая реакция (независимо от условий задачи): средняя разница составила 190 мс (геймеры = 926,75 ± 424,71, не играют = 1115,93 ± 483,89).
На рисунке 3 и в таблице 2 представлены результаты выполнения задач. Темно-зеленый и темно-оранжевый цвета на графиках соответствуют участникам, которые играют в видеоигры, и участникам, которые не играют, соответственно.
Рис. 3. Время и точность принятия решения. Выполнение задачи на выборку движущихся влево и вправо точек в целом и с уровнями сложности. Рисунки A и B отображают общее время и точность принятия решения. Рисунки C и D показывают время и точность принятия решения в зависимости от уровня сложности задания. Значимые величины отображены над соответствующими сравнениями. В целом, группа геймеров была быстрее в принятии решений примерно на 190 мс (A и C) и точнее на 2,24% (B) по сравнению с теми, кто не играет.
Таблица 2. Поведенческая реакция на принятие решения. Групповая точность выполнения задания (%) и время реакции (RT; мс) по всем уровням сложности и настройкам скорости.
Геймеры демонстрируют более высокую мозговую активность
Реакция головного мозга участников регистрировалась с помощью 3Т МРТ во время выполнения заданий. Активации, связанные с заданием, вычислялись с помощью двухуровневого анализа случайных эффектов (Friston, 2010). Мы отобрали из перечня обычно активируемых при выполнении задач областей мозга те зоны, которые были активированы у участников обеих групп, и изучили их.
При помощи сферических масок (6 мм), созданных в программе MarsBaR, мы извлекли из каждой области исследования среднее процентное изменение сигнала при каждом условии.
Для каждого участника было выявлено 12 значений на каждую область исследования, которые были усреднены для определения общего значения. При помощи U-критерия Манна-Уитни мы оценили весомые различия в среднем процентном изменении сигнала между группами по всем областям исследования. Области, в которых было выявлено наиболее весомое различие между группами, отображены на рисунке 4.
Три области показали повышенную активность при p <0,01 с поправкой Бонферрони: правая язычная извилина (rLING) (p = 2,93 × 10-5), левый таламус (lTHA) (p = 1,15 × 10-4) и правая дополнительная моторная область (rSMA) (p = 8,84 × 10-12).
Во всех трех областях головного мозга у геймеров наблюдалась повышенная активность. Мы проверили, коррелирует ли активность этих областей со временем поведенческой реакции, и построили график зависимости среднего процентного изменения сигнала (APSC) от времени ответа (RT).
Значения APSC коррелировали с RT с использованием теста ранговой корреляции Спирмена при пороговом значении p <0,05. Правая язычная извилина (r = -0,34, p = 0,022) и правая дополнительная моторная область (r = -0,3, p = 0,046) показали отрицательную корреляцию со временем ответа у всех участников. На рисунке 5 представлены диаграммы рассеяния для вышеназванных областей мозга.
Рис. 5. Процентное изменение сигнала и время принятия решения. Диаграмма рассеяния, демонстрирующая корреляцию процентного изменения сигнала со временем ответа.
Зеленым цветом выделены данные первой группы (геймеров), оранжевым – второй группы. Рисунки A-B Корреляция региональных процентных изменений сигнала со временем ответа (мс). Правая язычная извилина и правая дополнительная моторная область находятся в отрицательной корреляции со временем ответа.
Соответствующие коэффициенты ранговой корреляции Спирмена и p-значения показаны в правом верхнем углу графиков.
Улучшение межнейронных связей у игроков
Мы изучили, отличалась ли активность нейронных сетей данных областей между двумя экспериментальными группами. Используя метод причинности Грэнджера, мы рассчитали направленную функциональную связь между тремя областями исследования. Затем сравнили результаты обеих групп на предмет статистической значимости с помощью U-критерия Манна-Уитни.
Мы получили четыре связи, которые значительно отличались между участниками двух групп. На рисунке 6А продемонстрированы связи, которые мы сочли значимыми; узлы обозначены при помощи названий тех областей, которые были задействованы; стрелка указывает на узел, который находится под воздействием.
Токсичные отношения
Источники газов и частиц в помещении можно разделить на первичные и вторичные. Первичные компоненты выделяются непосредственно из источников, тогда как вторичные компоненты образуются в результате химических реакций в воздухе (или на поверхностях) из молекул-предшественников.
Первичные источники внутри помещений включают в себя следующие основные категории: само здание (дерево, линолеум, пластик), потребительские товары (средства личной гигиены, чистящие средства или средства для приготовления пищи, оборудование и офисные товары), выбросы в результате метаболизма микробов и человека, деятельность жильцов (приготовление пищи) и преднамеренный (через оконные проёмы или системы вентиляции) или непреднамеренный (инфильтрация через протечки в покрытии дома) перенос наружного воздуха в дом.
Химия, происходящая внутри дома, является вторичным источником газов и частиц. Химические процессы включают газофазное окисление, разделение полулетучих веществ между газовой и конденсированной фазами, а также многофазные химические процессы, происходящие на или внутри поверхностей, в частицах воздуха или пыли.
Основное поглощение малых газов и частиц в воздухе помещений обычно включают осаждение на поверхности помещений, реакции в газовой фазе или фазе частиц с образованием изменённых молекул и удаление из дома посредством вентиляции в наружную атмосферу. Постоянный воздухообмен внутри и снаружи влияет на качество воздуха как внутри, так и снаружи. Воздействие различных компонентов, таких как ЛОС, увеличивает вероятность возникновения симптомов синдрома больного здания.
Использование твёрдых веществ для удаления веществ из газообразных или жидких растворов широко применялось ещё с библейских времён. Этот процесс, известный как адсорбция, включает в себя не что иное, как преимущественное распределение веществ из газообразной или жидкой фазы на поверхность твёрдой подложки.
С первых дней использования костяного угля для обесцвечивания растворов сахара и других пищевых продуктов, до более позднего внедрения активированного угля для удаления нервно-паралитических газов с поля боя и до сегодняшних тысяч применений, явление адсорбции стало полезным инструментом для очистки и разделения.
Временные ряды — это наборы данных, где каждая точка данных связана с определенным моментом времени. Это может быть что угодно, от ежедневных финансовых показателей до ежечасных кликов на веб-сайте или даже месячных показателей погоды. Зачем нам это нужно? Потому что временные ряды предоставляют нам ценную информацию о том, как меняются данные со временем.Области, где временные ряды играют решающую роль:1. Финансовая аналитика:Прогнозирование цен акций, анализ рыночных тенденций и определение оптимального времени для инвестиций.2. Маркетинг и анализ пользовательской активности:Отслеживание изменений в поведении пользователей на веб-сайте, прогнозирование спроса на товары и услуги.3. Прогнозирование спроса:Определение оптимального уровня запасов, чтобы избежать дефицита или избытка товаров.4. Анализ временных данных о заболеваниях:Оценка распространения эпидемий, прогнозирование заболеваемости и смертности.5. Климатические исследования:Изучение изменений в климатических параметрах, таких как температура и осадки, для анализа климатических тенденций.6. Прогнозирование трафика:Анализ и прогнозирование трафика на веб-сайтах и в сетях.7. Промышленное оборудование и обслуживание:Предсказание времени отказа оборудования и оптимизация производственных процессов.Временные ряды также присутствуют в повседневной жизни: температурные измерения, динамика финансовых индексов или даже ежедневные показатели физической активности с помощью носимых устройств — все это временные ряды.Временные ряды могут бытьстационарными(когда статистические характеристики, такие как среднее и дисперсия, остаются постоянными во времени) илинестационарными(когда эти характеристики изменяются с течением времени). Понимание природы временного ряда важно для выбора подходящих методов анализа.
Основные характеристики временных рядов
Тренд:Тренд представляет собой долгосрочное изменение в данных. Это может быть рост или спад. Например, если продажи вашей компании растут каждый месяц в течение года, это будет проявление тренда.Сезонность:Сезонность — это циклические изменения данных, которые повторяются с постоянным интервалом времени. Например, продажи игрушек могут расти перед праздниками и падать после них.Шум:Шум представляет собой случайные колебания данных, которые не подчиняются определенным закономерностям. Это может быть вызвано различными факторами, такими как случайные события или ошибки измерения.Циклы:Циклы — это долгосрочные колебания данных, которые не связаны с сезонностью. Например, экономические циклы могут вызывать волны роста и спада в продажах.Стационарность:Стационарный временной ряд — это ряд, в котором статистические характеристики, такие как среднее и дисперсия, остаются постоянными с течением времени. Многие методы анализа временных рядов предполагают стационарность данных.Автокорреляция:Автокорреляция — это корреляция между значениями ряда в разные моменты времени. Она может помочь выявить закономерности в данных.Пропущенные значения:Временные ряды могут содержать пропущенные значения, которые требуется обработать перед анализом.
import pandas as pd data = {‘Дата’: [‘2023-01-01’, ‘2023-02-01’, ‘2023-03-01’, ‘2023-04-01’, ‘2023-05-01’], ‘Продажи’: [1000, 1200, 1300, 1100, 1400]} df = pd.DataFrame(data) # Преобразуем столбец ‘Дата’ в формат даты df[‘Дата’] = pd.to_datetime(df[‘Дата’]) print(df)
Дата Продажи 0 2023-01-01 1000 1 2023-02-01 1200 2 2023-03-01 1300 3 2023-04-01 1100 4 2023-05-01 1400
Выбор данных по диапазону дат subset = df[(df[‘Дата’] >= ‘2023-03-01’) & (df[‘Дата’] <= '2023-04-30')] print(subset)
import pandas as pd data = {‘Дата’: [‘2023-01-01’, ‘2023-02-01’, ‘2023-03-01’, ‘2023-04-01’, ‘2023-05-01’], ‘Продажи’: [1000, None, 1300, 1100, 1400]} df = pd.DataFrame(data) # Преобразуем столбец ‘Дата’ в формат даты df[‘Дата’] = pd.to_datetime(df[‘Дата’]) print(df)
import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.stattools import adfuller # Создаем dataset с данными о продажах data = {‘Дата’: [‘2023-01-01’, ‘2023-02-01’, ‘2023-03-01’, ‘2023-04-01’, ‘2023-05-01’], ‘Продажи’: [1000, 1200, 1300, 1100, 1400]} df = pd.DataFrame(data) # Преобразуем столбец ‘Дата’ в формат даты df[‘Дата’] = pd.to_datetime(df[‘Дата’]) # Построим график продаж plt.plot(df[‘Дата’], df[‘Продажи’]) plt.title(‘Продажи в магазине МВидео’) plt.xlabel(‘Дата’) plt.ylabel(‘Продажи’) plt.show() # Проведем тест Дики-Фуллера на стационарность result = adfuller(df[‘Продажи’]) print(‘ADF Statistic: %f’ % result[0]) print(‘p-value: %f’ % result[1]) print(‘Critical Values:’) for key, value in result[4].items(): print(‘\t%s: %.3f’ % (key, value))
————————╱ ╱▔▔▔▔▔▔▔╲ ╱ ╲ ▏ ╭ ▕▕╭━╮╮╭━╮┣╯ ▕▕┃▕▋┊┃▕▋╰╮ ▏▕╰━╭╮╰━╯ ╰┈ ▏▕▂╮┗┛ ╭┳┳┳╯▕^v^ ┳┳┳┳┳┫╰┃▂╱^v^▕╋╋╋╋┫┃▕╯^v^▕┻┻┻┻┻╯▕^v^▕▂▂▂▂▂▂╱
