Ako jednoducho rozložiť údaje časových radov LuckyTemplates

Tento blog vás naučí, ako rozdeliť údaje časových radov LuckyTemplates na základné komponenty. Celé video tohto návodu si môžete pozrieť v spodnej časti tohto blogu .

Údaje o časových radoch sú všade, od meraní srdcového tepu až po jednotkové ceny tovaru v obchode a dokonca aj vo vedeckých modeloch. Rozdelenie týchto údajov na podstatné časti môže byť výhodné najmä pri príprave a prezentáciách.

Metóda dekompozície časových radov tohto blogu vám pomôže nájsť lepší spôsob prezentácie údajov pri popisovaní trendov, sezónnosti alebo neočakávaných udalostí. Je to tiež skvelý odrazový mostík pre .

Obsah

• Typy grafov
• Súbor údajov časových radov LuckyTemplates
• Python skript
• LuckyTemplates Time Series Sezónny rozklad
• Vytváranie vizuálov s údajmi časových radov LuckyTemplates
• Sezónnosť
• Zvyšky
• Index sa neresetuje
• Záver

Typy grafov

Na obrázku vyššie je niekoľko grafov vrátane  skutočností ,  trendov ,  sezónnosti a  hluku . Jednou z najlepších vecí na tomto vizuále je, že v každom grafe sú poklesy .

Táto funkcia sa môže hodiť, keď chcete zdôrazniť určité kľúčové faktory , ktoré ovplyvňujú trendy, ako je príjem a povolanie v trende spotrebiteľského nákupu. 

To isté platí pre určenie sezónnych vzorcov , kde môžu opísať mesačné alebo štvrťročné pohyby rastu spoločnosti.

Sú tiež vynikajúce na určenie výkyvov údajov, ako sú hladiny zvyškového hluku pre vedecké štúdie a podobne. V nižšie uvedenom grafe môžeme napríklad vidieť nárast zvyškových úrovní za posledných desať rokov, čo nám dáva trochu nahliadnuť do potenciálneho trendu.

Pochopenie zložitých pohybov údajov počas rozsiahleho obdobia je oveľa jednoduchšie, keď ich prezentujete prostredníctvom vyššie uvedených grafov. Stráviť všetky informácie a rozpoznať vzory a trendy pred vami je oveľa jednoduchšie.

V dôsledku toho sa tým zvyšuje záujem a konverzácia okolo vašej správy údajov alebo prezentácie. Pomáha vám tiež pochopiť, čo sa deje s vaším predajom, výrobou alebo niečím iným.

Súbor údajov časových radov LuckyTemplates

Ukážem vám dva spôsoby, ako rozložiť tento rad údajov, ktorý bol vytvorený v Python Scrip Editor. Tiež vás naučím, ako používať rovnaké informácie. Nakoniec vám dám predstavu o tom, čo musíte do Power Query vložiť.

Nižšie je uvedený náš vzorový súbor údajov so stĺpcom mesačného dátumu od roku 1985 do roku 2018 spolu so stĺpcom s hodnotou produkcie stroja.

Python skript

Ďalej prejdeme do editora skriptov Python a pridáme kód do dvoch stĺpcov našej množiny údajov. Kód bude importovať  pandy ako pd , knižnicu na manipuláciu s údajmi a  matplotlib.pylot ako plt , ktorý zobrazuje naše vizuály. A pre náš sezónny rozklad to bude import balíka  statsmodels  a  tsa.seasonal .

Premenná v 4. riadku ukazuje, kde sú naše údaje uložené, a v 5. riadku zistíte, že som zmenil názov našej  množiny údajov  na  df  , pretože sa to ľahšie píše. A v 11. riadku som sa uistil, že dátum bol nastavený na dátum a čas a potom som urobil index dátumom 12.

LuckyTemplates Time Series Sezónny rozklad

Ak chcete vykonať sezónny rozklad, potrebujeme mať index, ktorý je časovým radom alebo indexom dátumu a času. Index údajov teda nastavíme ako dátum a prvý stĺpec.

Chceme tiež nastaviť frekvenciu údajov do  Month Start  ( MS ) pomocou  premennej df  spolu s  funkciou freq  , ako je znázornené v 13. riadku nižšie.

Nakoniec použijeme plt.show , aby sme videli, čo sme vytvorili. A ak to spustíme, budeme mať výsledok nižšie.

Teraz máme sezónny rozklad. A ako môžete vidieť na obrázku vyššie, má naše  Skutočnosti ,  Trend ,  Sezónnosť a  Zvyšky . Tieto grafy vám poskytnú množstvo informácií o tom, čo sa v priebehu času deje s vaším predajom alebo výrobou.

Vytváranie vizuálov s údajmi časových radov LuckyTemplates

Vráťme sa na hlavnú stránku, aby som vám mohol ukázať, ako som vytvoril tieto grafy v rámci údajov. Potom prejdeme na Transform a uvidíme náš pôvodný súbor údajov nižšie, ktorý sa týka elektrickej výroby.

Ako vidíte, vytvoril som tri tabuľky pre Sezónnosť , Zvyšky a Trendy . Bolo ťažké zmestiť ich na jeden stôl, tak som ich rozdelil na tri. Je však ľahké skopírovať a prilepiť kód našich údajov.

Sezónnosť

Ak prejdeme na tabuľku Elektrická výroba, uvidíte, že má stĺpce sezónnosť, dátum a výroba. V stĺpci Sezónnosť sa zobrazí fluktuácia v čase. Prejdeme si kroky na jeho vytvorenie.

Ak prejdeme na  Aplikované kroky , môžete vidieť, že okrem iného som už povýšil hlavičky a premenoval stĺpce. Tu urobíme kliknutie na  krok Run Python Script  .

Ako môžete vidieť na obrázku nižšie, urobili sme takmer to isté, čo sme urobili pre náš vizuál, keď sme ho vytvorili v Python Visual. Priniesli sme potrebné knižnice vrátane  pand  a  statsmodels.tsa.seasonal  a  funkcie seasonal_decompose  .

Tiež sme znova uložili našu premennú súboru údajov ako df pre jednoduchšie písanie a vytvorili sme dátum. Aby sme sa uistili, že ide o dátum, izolovali sme stĺpec dátumu a potom sme použili  pd.to_datetime.  Potom sme to uložili cez  df .

Potom sme zmenili frekvenciu na Začiatok mesiaca ( MS ), pretože sme chceli tieto dátumy priradiť  funkcii sezónneho _decompose .

Namiesto vykreslenia našej funkcie sme vytiahli sezónnu časť, odovzdali sme náš súbor údajov a použili sme . sezónne,  len aby sa získali sezónne údaje. Nakoniec sme resetovali index, aby sme znova videli dátum.

 Ak teraz kliknem na tlačidlo OK, môžete vidieť, že ste dostali pôvodný súbor údajov a potom df , za ktorým stojíme.

Ak klikneme na  Tabuľku  (zvýraznená na obrázku vyššie) a otvoríme ju, dostaneme tabuľku sezónnosti výroby nižšie. Ak chcete vytvoriť tabuľku podobnú tejto, skopírujte skript, ktorý som vám ukázal predtým.

Zvyšky

Teraz prejdime k Residuals, kde jediná vec, ktorú som zmenil, bola metóda alebo bod po seasonal_decompose .

Index sa neresetuje

Ak index neresetujeme a klikneme na tlačidlo OK , náš skript vráti chybu. Takže ak vložíme  #  pred  df.reset_index  do posledného riadku nášho skriptu, výsledkom bude tabuľka nižšie. Ako môžete vidieť na obrázku, index chýba a nie je tam stĺpec s dátumom.

Preto musíme index resetovať, pretože vracia dátum, ktorý by fungoval ako tento index. Takže ak odstránime  # , vráti mi to dátový rámec, čo vedie k tabuľke nižšie, ktorá teraz obsahuje stĺpec dátumu.

A rovnakú metódu môžete použiť aj pre Trend, vďaka čomu je to skutočne jednoduchý skript, ku ktorému máte prístup kedykoľvek chcete.

Záver

Teraz poznáte skvelý spôsob, ako rozložiť svoje vizuálne prvky. Pomocou jednoduchého skriptu môžete začať vytvárať vizuály údajov sezónnosti, trendu a zvyškových časových radov v LuckyTemplates a Pythone .

Pomocou tejto metódy rozkladu časových radov LuckyTemplates môžete opísať údaje zahŕňajúce , sezónny rast a zmeny alebo neočakávané udalosti. Je to tiež skvelý nástroj na predpovedanie. A najlepšie na tom je, že tento skript môžete jednoducho skopírovať a prilepiť pre akékoľvek údaje časových radov, ktoré máte.