Sådan opdeles LuckyTemplates-tidsseriedata nemt

Denne blog vil lære dig, hvordan du opdeler LuckyTemplates tidsseriedata i væsentlige komponenter. Du kan se den fulde video af denne tutorial nederst på denne blog .

Tidsseriedata er overalt, fra pulsmål til enhedspriser på butiksvarer og endda i videnskabelige modeller. At opdele disse data i væsentlige dele kan være fordelagtigt, især ved forberedelse og præsentationer.

Denne blogs metode til nedbrydning af tidsserier hjælper dig med at finde en bedre måde at præsentere data på, når du beskriver trends, sæsonbestemte eller uventede begivenheder. Det er også et godt trædesten til .

Indholdsfortegnelse

• Typer af grafer
• LuckyTemplates tidsseriedatasæt
• Python script
• LuckyTemplates Time Series Seasonal Decompose
• Oprettelse af Visual med LuckyTemplates tidsseriedata
• Sæsonbestemthed
• Rester
• Nulstiller ikke indekset
• Konklusion

Typer af grafer

På billedet ovenfor er der adskillige grafer, herunder  faktiske ,  tendenser ,  sæsonbestemte og  støj . En af de bedste ting ved denne visualisering er, at der er fald i hver graf .

Denne funktion kan være nyttig, når du vil fremhæve visse afgørende faktorer , der påvirker tendenser, såsom indkomst og beskæftigelse i en forbrugerkøbstrend. 

Det samme gælder for at udpege sæsonbestemte mønstre , hvor de kan beskrive en virksomheds månedlige eller kvartalsvise vækstbevægelser.

De er også fremragende til at bestemme dataudsving som støjniveauer til videnskabelige undersøgelser og lignende. For eksempel kan vi på grafen nedenfor se en stigning i restniveauer de sidste ti år, hvilket giver os et lille indblik i en potentiel tendens.

Det er meget lettere at forstå komplekse databevægelser gennem en lang periode, når du præsenterer dem gennem ovenstående grafer. At fordøje al information og genkende mønstrene og tendenserne foran dig er meget nemmere.

Som et resultat forbedrer det interessen og samtalen omkring din datarapport eller præsentation. Det hjælper dig også med at forstå, hvad der sker med dit salg, produktion eller noget andet.

LuckyTemplates tidsseriedatasæt

Jeg vil vise dig to måder at opdele denne dataserie, som blev oprettet i Python Scrip Editor. Jeg vil også lære dig, hvordan du bruger de samme oplysninger. Til sidst vil jeg give dig en idé om, hvad du skal lægge i Power Query.

Nedenfor er vores eksempeldatasæt med en månedlig datokolonne fra 1985 til 2018 sammen med en produktionsværdikolonne for en maskine.

Python script

Dernæst går vi til Python Script Editor og tilføjer en kode til de to kolonner i vores datasæt. Koden vil importere  pandaer som pd , et datamanipulationsbibliotek og  matplotlib.pylot som plt , som viser vores billeder. Og til vores sæsonbestemte nedbrydning vil det importere en pakke med  statsmodeller  og  tsa.seasonal .

Variablen i 4. linje viser, hvor vores data er gemt, og i 5. linje vil du opdage, at jeg har ændret vores  datasætnavn  til  df  , da det er nemmere at skrive. Og i den 11. linje sikrede jeg, at datoen var sat til dato og klokkeslæt og gjorde så indekset til datoen den 12.

LuckyTemplates Time Series Seasonal Decompose

For at lave en sæsonbestemt opdeling skal vi have et indeks, der er en tidsserie eller et dato-tidsindeks. Derfor indstiller vi dataindekset som datoen og den første kolonne.

Vi ønsker også at indstille frekvensen af ​​dataene i  Month Start  ( MS ) ved hjælp af  df-variablen  ved siden af  ​​freq-  funktionen, som vist på den 13. linje nedenfor.

Til sidst bruger vi plt.show til at se, hvad vi har lavet. Og hvis vi kører det, får vi resultatet nedenfor.

Nu har vi vores sæsonbestemte nedbrydning. Og som du kan se på billedet ovenfor, har den vores  faktiske ,  trend ,  sæsonbestemte og  rester . Disse grafer vil give dig masser af information om, hvad der sker med dit salg eller produktion over tid.

Oprettelse af Visual med LuckyTemplates tidsseriedata

Lad os gå tilbage til den hovedside, så jeg kan vise dig, hvordan jeg oprettede disse grafer i dataene. Så går vi til Transform og ser vores originale datasæt nedenfor, som handler om elektrisk produktion.

Som du kan se, lavede jeg tre tabeller til sæsonbestemt , rester og tendenser . Det var svært at passe dem sammen på ét bord, så jeg delte dem i tre. Men det er nemt at kopiere og indsætte koden for vores data.

Sæsonbestemthed

Hvis vi flytter til tabellen elektrisk produktion, vil du se, at den har sæsonbestemte, dato- og produktionskolonner. Sæsonbestemt kolonne vil vise udsving over tid. Vi gennemgår trinene til at skabe det.

Hvis vi går over til  Applied Steps , kan du se, at jeg allerede har promoveret overskrifterne og omdøbt kolonnerne, bl.a. Det, vi skal gøre her, er at klikke på  Trin Python Script  .

Som du kan se på billedet nedenfor, gjorde vi næsten det samme, som vi gjorde for vores visual, da vi oprettede det i Python Visual. Vi har hentet vores nødvendige biblioteker, inklusive  pandaer  og  statsmodels.tsa.seasonal  og  funktionen seasonal_decompose  .

Vi har også gemt vores datasætvariabel igen som df for lettere skrivning og oprettet en dato. For at sikre, at det var en dato, isolerede vi datokolonnen og brugte derefter  pd.to_datetime.  Derefter gemte vi det over  df .

Så ændrede vi frekvensen til Month Start ( MS ), fordi vi ønskede at give disse datoer til den  sæsonbestemte _decompose-funktion .

I stedet for at plotte vores funktion, trak vi sæsondelen ud, sendte vores datasæt ind og brugte . sæsonbestemt  blot for at få de sæsonbestemte data frem. Til sidst nulstillede vi indekset, så vi kunne se datoen igen.

 Hvis jeg nu klikker OK, kan du se, at du får det originale datasæt og derefter den df , som vi står for.

Hvis vi klikker på  Tabel  (fremhævet i billedet ovenfor) og åbner den, får vi tabellen over produktionssæsonbestemmelser nedenfor. Hvis du vil oprette en tabel, der ligner denne, skal du bare kopiere det script, jeg viste dig tidligere.

Rester

Lad os nu gå over til Residualerne, hvor det eneste, jeg har ændret, var metoden eller punktet efter seasonal_decompose .

Nulstiller ikke indekset

Hvis vi ikke nulstiller indekset og klikker på OK , vil vores script returnere en fejl. Så hvis vi sætter et  #  før  df.reset_index  i den sidste linje i vores script, vil det resultere i tabellen nedenfor. Som du kan se på billedet, mangler indekset, og der er ingen datokolonne.

Derfor er vi nødt til at nulstille indekset, fordi det returnerer datoen, som ville fungere som dette indeks. Så hvis vi fjerner det  # , vil det give mig datarammen tilbage, hvilket resulterer i tabellen nedenfor, som nu har en datokolonne.

Og du kan bruge den samme metode til Trend, hvilket gør det til et virkelig nemt script, som du kan få adgang til, når som helst du vil.

Konklusion

Nu kender du en fantastisk måde at opdele dine billeder på. Med et simpelt script kan du begynde at skabe sæsonbestemte, trend- og resterende tidsseriedatavisuals i LuckyTemplates og Python .

Med denne LuckyTemplates-tidsserienedbrydningsmetode kan du beskrive data, der involverer , sæsonbetinget vækst og ændringer eller uventede hændelser. Det er også et fantastisk værktøj til prognoser. Og det bedste er, at du nemt kan kopiere og indsætte dette script til alle tidsseriedata, du har.