Series de Tiempo con Python

1. La serie diaria de pedidos de PyShop va de 2022-01-01 a 2025-12-31 y tiene 1443 filas, pero ese periodo tiene 1461 días. ¿Qué hace s.asfreq("D") con ella?

• Borra los días repetidos hasta dejar 1443 fechas únicas
• Agrega los 18 días faltantes con valor NaN, para quedar con 1461 filas
• Rellena los 18 días faltantes con 0 pedidos
• Suma los pedidos de cada día y devuelve un solo total

asfreq reindexa con una fecha por día: los 18 días sin registro aparecen como NaN (1461 filas) y luego se rellenan con interpolate(), por ejemplo 162.5 entre 136 y 189.

2. Tienes los pedidos diarios de PyShop (un flujo) y el CO2 mensual de Mauna Loa en ppm (un stock). Quieres ambas series en frecuencia anual. ¿Qué agregación corresponde a cada una?

• Pedidos con resample("YS").mean() y CO2 con resample("YS").sum()
• Ambas con resample("YS").sum(), porque así no se pierde información
• Pedidos con resample("YS").sum() y CO2 con resample("YS").mean()
• Ambas con resample("YS").last(), para quedarse con el valor más reciente

El flujo se acumula: 2025 suma 90,418 pedidos. El stock es un nivel: el CO2 de 2001 promedia 370.85 ppm; sumarlo da 4450.2 ppm, un número sin significado.

3. Sobre la serie diaria ya interpolada, m7 = di.rolling(7).mean() tiene 6 valores NaN. ¿Por qué?

• Porque la interpolación dejó 6 días sin rellenar
• Porque los primeros 6 días no tienen 7 observaciones para promediar
• Porque rolling(7) descarta los 6 valores más altos de la serie
• Porque la serie tiene 6 semanas incompletas

Cada valor de rolling(7) promedia el día con los 6 anteriores; los primeros 6 días no tienen 7 observaciones disponibles, así que quedan como NaN.

4. En la serie mensual, diciembre de 2025 tiene diff() = −442 y pct_change(12) = 17.0 %. ¿Cómo se interpretan juntos?

• Las ventas cayeron en diciembre y el 17.0 % es un error de cálculo
• Diciembre bajó 442 pedidos contra noviembre, pero creció 17.0 % contra diciembre del año anterior
• Diciembre de 2025 tuvo 442 pedidos menos que diciembre de 2024
• pct_change(12) promedia los últimos 12 meses y diff() solo el último

diff() compara con el mes anterior (noviembre, el pico del Buen Fin), así que mezcla estacionalidad y crecimiento. pct_change(12) compara con diciembre de 2024 y aísla el crecimiento anual.

5. De 2022 a 2025, noviembre supera a la media mensual de su año por +2,220, +2,133, +2,635 y +3,331 pedidos; el cociente noviembre/media es 1.40, 1.38, 1.41 y 1.44. ¿Qué tipo de estacionalidad sugiere?

• Aditiva, porque noviembre siempre está por encima de la media
• Ninguna, porque la diferencia cambia cada año
• Multiplicativa, porque el pico es una proporción casi fija del nivel
• Aditiva, porque la serie tiene tendencia creciente

La diferencia crece con el negocio, pero el cociente se mantiene cerca de 1.4: el efecto estacional es un porcentaje del nivel, es decir, multiplicativo. En el CO2, la amplitud anual se mantiene (6.08 ppm en 1960, 5.11 en 2000): aditiva.