LuckyTemplates-aikasarjatietojen hajottaminen helposti

Tämä blogi opettaa sinulle, kuinka LuckyTemplates-aikasarjatiedot jaetaan olennaisiin osiin. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta .

Aikasarjatietoja on kaikkialla sykemittauksista kauppatavaroiden yksikköhintoihin ja jopa tieteellisissä malleissa. Näiden tietojen jakaminen olennaisiin osiin voi olla edullista erityisesti valmistelussa ja esitelmissä.

Tämän blogin aikasarjahajotusmenetelmä auttaa sinua löytämään paremman tavan esittää dataa kuvattaessa trendejä, kausivaihtelua tai odottamattomia tapahtumia. Se on myös loistava ponnahduslauta .

Sisällysluettelo

• Graafisten tyypit
• LuckyTemplates aikasarjan tietojoukko
• Python-skripti
• LuckyTemplates Time Series Seasonal Decompose
• Visuaalin luominen LuckyTemplates-aikasarjatietojen avulla
• Kausiluonteisuus
• Jäännökset
• Indeksiä ei nollata
• Johtopäätös

Graafisten tyypit

Yllä olevassa kuvassa on useita kaavioita, mukaan lukien  tosiasiat ,  trendit ,  kausivaihtelut ja  melu . Yksi tämän visualisoinnin parhaista puolista on se, että jokaisessa kaaviossa on notkahduksia .

Tämä ominaisuus voi olla hyödyllinen, kun haluat korostaa tiettyjä trendeihin vaikuttavia tärkeitä tekijöitä, kuten tuloja ja ammattia kuluttajan ostotrendissä. 

Sama koskee kausiluonteisten kuvioiden määrittämistä , jolloin ne voivat kuvata yrityksen kuukausittaista tai neljännesvuosittaista kasvun liikkeitä.

Ne sopivat myös erinomaisesti datavaihteluiden, kuten jäännöskohinatason, määrittämiseen tieteellisissä tutkimuksissa ja vastaavissa. Esimerkiksi alla olevassa kaaviossa näemme jäännöstasojen nousun viimeisen kymmenen vuoden aikana, mikä antaa meille hieman käsitystä mahdollisesta trendistä.

Monimutkaisten datan liikkeiden ymmärtäminen laajan ajanjakson aikana on paljon helpompaa, kun esität ne yllä olevien kaavioiden kautta. Kaiken tiedon sulattaminen ja edessäsi olevien kuvioiden ja trendien tunnistaminen on paljon helpompaa.

Seurauksena on, että tietoraporttiisi tai esitykseesi liittyvää kiinnostusta ja keskustelua parannetaan. Se auttaa myös sinua ymmärtämään, mitä myyntisi, tuotantosi tai jotain muuta tapahtuu.

LuckyTemplates aikasarjan tietojoukko

Näytän sinulle kaksi tapaa hajottaa tämä Python Scrip Editorissa luotu tietosarja. Opetan myös käyttämään samoja tietoja. Lopuksi annan sinulle käsityksen siitä, mitä sinun on lisättävä Power Queryyn.

Alla on esimerkkitietojoukkomme, jossa on kuukausittainen päivämääräsarake vuosilta 1985–2018 sekä koneen tuotantoarvosarake.

Python-skripti

Seuraavaksi siirrymme Python Script Editoriin ja lisäämme koodin tietojoukkomme kahteen sarakkeeseen. Koodi tuo  pandat muodossa pd , tietojenkäsittelykirjastona ja  matplotlib.pylot muodossa plt , joka näyttää visuaaliamme. Ja kausittaista hajotusta varten se tuo paketin  statsmodels-  ja  tsa.seasonal -tiedostoja .

Neljännen rivin muuttuja näyttää, mihin tietomme on tallennettu, ja viidennellä rivillä huomaat, että vaihdoin tietojoukon  nimeksi  df  ,  koska se on helpompi kirjoittaa. Ja 11. rivillä varmistin, että päivämäärä oli asetettu päivämäärälle ja asetin sitten indeksistä päivämäärän 12. päivänä.

LuckyTemplates Time Series Seasonal Decompose

Jotta voimme tehdä kausihajottamisen, meillä on oltava indeksi, joka on aikasarja tai päivämäärä-aikaindeksi. Siksi asetamme tietoindeksin päivämääräksi ja ensimmäiseksi sarakkeeksi.

Haluamme myös asettaa tietojen taajuuden  kuukauden alkuun  ( MS ) käyttämällä  df-muuttujaa freq- funktion  rinnalla   , kuten alla olevalla 13. rivillä näkyy.

Lopuksi käytämme plt.show-ohjelmaa nähdäksemme, mitä olemme luoneet. Ja jos suoritamme sen, meillä on alla tulos.

Nyt meillä on kausivaihtelumme. Ja kuten yllä olevasta kuvasta näet, siinä on  todellisuudet ,  trendi ,  kausivaihtelu ja  jäännösarvot . Nämä kaaviot antavat sinulle paljon tietoa siitä, mitä myyntisi tai tuotantosi kanssa tapahtuu ajan myötä.

Visuaalin luominen LuckyTemplates-aikasarjatietojen avulla

Palataanpa tälle pääsivulle, jotta voin näyttää, kuinka loin nämä kaaviot dataan. Sitten siirrymme Transformiin ja katsomme alla alkuperäisen tietojoukkomme, joka koskee sähkötuotantoa.

Kuten näet, tein kolme taulukkoa kausivaihteluille , jäännöksille ja trendeille . Niitä oli vaikea sovittaa yhteen pöytään, joten jaoin ne kolmeen osaan. Tietojemme koodin kopioiminen ja liittäminen on kuitenkin helppoa.

Kausiluonteisuus

Jos siirrymme Sähkötuotanto-taulukkoon, näet, että siinä on kausivaihtelu-, päivämäärä- ja tuotantosarakkeet. Kausivaihtelusarake näyttää vaihtelun ajan myötä. Käymme läpi sen luomisen vaiheet.

Jos siirrymme sovellettuihin  vaiheisiin , voit nähdä, että olen jo edistänyt otsikoita ja nimennyt sarakkeet uudelleen muun muassa. Teemme tässä napsauttamalla  Suorita Python Script  -vaihetta.

Kuten alla olevasta kuvasta näet, teimme melkein saman asian kuin visuaalistamme, kun loimme sen Python Visualissa. Olemme tuoneet tarvittavat kirjastomme, mukaan lukien  pandat  ja  statsmodels.tsa.seasonal  sekä  seasonal_decompose-  funktion.

Tallensimme myös tietojoukkomuuttujamme uudelleen df- muodossa kirjoittamisen helpottamiseksi ja loimme päivämäärän. Varmistaaksemme, että se oli päivämäärä, eristimme päivämääräsarakkeen ja käytimme sitten  pd.to_datetime.  Sen jälkeen tallensimme sen  df:n kautta .

Sitten muutimme taajuudelle Month Start ( MS ) , koska halusimme antaa kyseiset päivämäärät kausiluonteiselle  _decompose - funktiolle .

Funktiomme piirtämisen sijaan poistimme kausittaisen osan, läpäisimme tietojoukkomme ja käytimme . kausiluonteinen  vain kausitietojen tuomiseksi esiin. Lopuksi nollasimme indeksin, jotta voimme nähdä päivämäärän uudelleen.

 Jos nyt napsautan OK, näet, että sinulle annetaan alkuperäinen tietojoukko ja sitten df , jota edustamme.

Jos napsautamme  Taulukkoa  (korostettu yllä olevassa kuvassa) ja avaamme sen, saamme alla tuotannon kausivaihtelutaulukon. Jos haluat luoda tämän kaltaisen taulukon, kopioi skripti, jonka näytin sinulle aiemmin.

Jäännökset

Siirrytään nyt jäännöksiin, joissa ainoa asia, jota olen muuttanut, oli menetelmä tai piste seasonal_decompose -kohdan jälkeen .

Indeksiä ei nollata

Jos emme nollaa hakemistoa ja napsauta OK , komentosarjamme palauttaa virheilmoituksen. Joten jos laitamme  #  ennen  df.reset_index  komentosarjan viimeiselle riville, tuloksena on alla oleva taulukko. Kuten kuvasta näkyy, hakemisto puuttuu eikä päivämääräsaraketta ole.

Siksi meidän on nollattava indeksi, koska se palauttaa päivämäärän, joka toimisi tämän indeksin muodossa. Joten jos poistamme sen  # , se antaa minulle takaisin tietokehyksen, jolloin saadaan alla oleva taulukko, jossa on nyt päivämääräsarake.

Ja voit käyttää samaa menetelmää Trendille, mikä tekee siitä todella helpon skriptin, jota voit käyttää milloin haluat.

Johtopäätös

Nyt tiedät loistavan tavan hajottaa visuaalisi. Yksinkertaisella skriptillä voit aloittaa kausiluonteisuuden, trendin ja jäännösaikasarjojen datavisuaalien luomisen LuckyTemplatesissa ja Pythonissa .

Tällä LuckyTemplates-aikasarjojen hajottelumenetelmällä voit kuvata dataa, joka koskee , kausivaihtelun kasvua ja muutoksia tai odottamattomia tapahtumia. Se on myös loistava työkalu ennustamiseen. Ja mikä parasta, voit helposti kopioida ja liittää tämän skriptin mille tahansa aikasarjadatallesi.