Oplev unik indsigt ved hjælp af LuckyTemplates TOPN-funktion
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
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
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.
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Lær nogle fantastiske analytiske teknikker, som vi kan gøre til datamodellering i LuckyTemplates ved hjælp af DAX-understøttende tabeller.
Her dykker vi ned i LuckyTemplates Advanced DAX og implementerer rangeringslogik for at få en meget unik indsigt. Jeg viser også måleforgrening i dette eksempel.
Denne blog introducerer den nye funktion i LuckyTemplates, What-If-analyseparameteren. Du vil se, hvordan det gør alt hurtigt og nemt til din scenarieanalyse.
Lær, hvordan du afgør, om din omsætningsvækst er god ved at kontrollere, om dine avancer er udvidet ved hjælp af LuckyTemplates, der måler forgrening.
Lær og forstå, hvordan du kan oprette og bruge LuckyTemplates Parameters, som er en kraftfuld funktion i Query Editor.
Denne vejledning vil diskutere om oprettelse af et rundt søjlediagram ved hjælp af Charticulator. Du lærer, hvordan du designer dem til din LuckyTemplates-rapport.
Lær, hvordan du bruger PowerApps-funktioner og -formler til at forbedre funktionaliteten og ændre adfærd i vores Power Apps-lærredsapp.
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
RANKX fra LuckyTemplates giver dig mulighed for at returnere rangeringen af et specifikt tal i hver tabelrække, der udgør en del af en liste over tal.