Arány- és gyakorisági táblázatok Excelben
Az Excel gyakorisági táblázataiban, valamint az aránytáblázatokban készültek. Nos, nézze meg, mik ezek, és mikor kell használni őket.
Ez a blog megtanítja Önnek, hogyan bonthatja le a LuckyTemplates idősorok adatait alapvető összetevőkre. Az oktatóanyag teljes videóját a blog alján tekintheti meg .
Az idősoros adatok mindenhol megtalálhatók, a pulzusméréstől a bolti áruk egységáraiig, sőt tudományos modellekben is. Ezeknek az adatoknak a lényeges részekre bontása különösen a felkészülés és a prezentáció során előnyös lehet.
A blog idősor-bontási módszere segít megtalálni az adatok jobb bemutatását trendek, szezonalitás vagy váratlan események leírásakor. Ez is egy nagyszerű lépcsőfok a számára.
Tartalomjegyzék
Grafikonok típusai
A fenti képen számos grafikon látható, köztük a Tények , a Trendek , a Szezonalitás és a Zaj . Az egyik legjobb dolog ebben a vizualizációban, hogy minden grafikonon csúszások vannak .
Ez a funkció akkor lehet hasznos, ha szeretne kiemelni bizonyos, a trendeket befolyásoló kulcsfontosságú tényezőket, például a jövedelmet és a foglalkozást a fogyasztói vásárlási trendben.
Ugyanez vonatkozik a szezonális minták meghatározására is , ahol leírhatják a vállalat havi vagy negyedéves növekedési mozgásait.
Kiválóan alkalmasak olyan adatingadozások meghatározására is , mint a maradék zajszint tudományos vizsgálatokhoz és hasonlókhoz. Például az alábbi grafikonon a maradék szintek növekedését láthatjuk az elmúlt tíz évben, ami egy kis betekintést ad egy lehetséges trendbe.
Az összetett adatmozgások megértése egy kiterjedt időszakon keresztül sokkal könnyebb, ha ezeket a fenti grafikonokon keresztül mutatja be. Az összes információ megemésztése és az előtted álló minták és trendek felismerése sokkal könnyebb.
Ennek eredményeként ez javítja az adatjelentés vagy prezentáció körüli érdeklődést és beszélgetést. Segít abban is, hogy megértse, mi történik az értékesítésével, termelésével vagy valami mással.
LuckyTemplates idősor adatkészlet
Két módszert mutatok meg ennek az adatsornak a bontására, amelyet a Python Scrip Editorban hoztak létre. Azt is megtanítom, hogyan használd ugyanezeket az információkat. Végül adok egy ötletet arról, hogy mit kell beletenned a Power Querybe.
Az alábbiakban látható mintaadatkészletünk egy havi dátumoszloppal 1985-től 2018-ig, valamint egy gép gyártási érték oszlopa.
Python szkript
Ezután megyünk a Python Script Editorba, és hozzáadunk egy kódot adatkészletünk két oszlopához. A kód pd formátumban importálja a pandákat , egy adatkezelési könyvtárat, és a matplotlib.pylotot plt néven , amely megjeleníti a vizualitásunkat. A szezonális lebontásunkhoz pedig a statsmodels és a tsa.seasonal csomag importálása lesz .
A 4. sorban lévő változó azt mutatja, hogy hova mentjük az adatainkat, az 5. sorban pedig azt találjuk, hogy az adatkészlet nevét df-re változtattam , mert így könnyebben írható. A 11. sorban pedig gondoskodtam arról, hogy a dátum dátum-időre legyen beállítva, majd az indexet a 12-i dátummá tettem.
A LuckyTemplates idősorok szezonális felbomlása
Szezonális bontáshoz szükségünk van egy indexre, amely idősor vagy dátum és idő index. Így az adatindexet dátumként és első oszlopként állítjuk be.
Az adatok gyakoriságát is be akarjuk állítani Month Start ( MS ) értékre a df változóval a freq függvény mellett, ahogy az alábbi 13. sorban látható.
Végül a plt.show használatával nézzük meg, hogy mit hoztunk létre. És ha ezt lefuttatjuk, az alábbi eredményt kapjuk.
Most megvan a szezonális lebontásunk. És amint az a fenti képen látható, megvannak a tényleges adatok , trendek , szezonalitások és maradékok . Ezek a grafikonok rengeteg információt adnak arról, hogy az idő múlásával mi történik értékesítésével vagy termelésével.
Vizuális készítés a LuckyTemplates idősoros adatokkal
Térjünk vissza a főoldalra, hogy megmutassam, hogyan hoztam létre ezeket a grafikonokat az adatokon belül. Ezután átmegyünk a Transform oldalra , és megtekintjük alább az eredeti adatkészletünket, amely az elektromos termelésről szól.
Amint látja, három táblázatot készítettem a Szezonalitás , a Maradékok és a Trendek számára . Nehéz volt összeilleszteni őket egy asztalon, ezért három részre bontottam őket. De az adataink kódját könnyű másolni és beilleszteni.
Szezonalitás
Ha áttérünk az Elektromos termelés táblázatra, látni fogja, hogy szezonalitás, dátum és gyártási oszlopok vannak benne. A szezonalitás oszlop az időbeli ingadozást mutatja. Végignézzük a létrehozás lépéseit.
Ha átmegyünk az Alkalmazott lépésekre , láthatjuk, hogy többek között már előreléptem a fejléceket és átneveztem az oszlopokat. Itt a Python Script futtatása lépésre kell kattintani .
Amint az alábbi képen látható, majdnem ugyanazt tettük, mint a vizualitásunkkal, amikor Python Visualban létrehoztuk. Behoztuk a szükséges könyvtárainkat, beleértve a pandákat és a statsmodels.tsa.seasonal-t , valamint a seasonal_decompose függvényt.
Újra elmentettük adatkészlet-változónkat df- ként a könnyebb írás érdekében, és létrehoztunk egy dátumot. Annak érdekében, hogy megbizonyosodjunk arról, hogy ez egy dátum, elkülönítettük a dátum oszlopot, majd a pd.to_datetime parancsot használtuk. Ezt követően a df-en keresztül elmentettük .
Ezután a gyakoriságot Month Start ( MS ) értékre változtattuk , mert ezeket a dátumokat a szezonális _decompose függvénynek akartuk megadni .
A függvény ábrázolása helyett kihúztuk a szezonális részt, átadtuk az adatkészletünket, és a -t használtuk. szezonális, csak hogy kihozzuk a szezonális adatokat. Végül visszaállítottuk az indexet, hogy újra láthassuk a dátumot.
Ha most az OK gombra kattintok , láthatja, hogy megkapta az eredeti adatkészletet, majd a df-et , amelyet mi képviselünk.
Ha rákattintunk a táblázatra (a fenti képen kiemelve) és megnyitjuk, az alábbi termelési szezonalitás táblázatot kapjuk. Ha ehhez hasonló táblázatot szeretne létrehozni, egyszerűen másolja ki a korábban bemutatott szkriptet.
Maradékok
Most térjünk át a Residuals-ra, ahol az egyetlen dolog, amit megváltoztattam, az a módszer vagy a szezonal_decompose utáni pont volt .
Nem állítja vissza az indexet
Ha nem állítjuk vissza az indexet, és kattintunk az OK gombra , a szkriptünk hibát ad vissza. Tehát ha a szkriptünk utolsó sorába a df.reset_index elé teszünk egy # karaktert , akkor az alábbi táblázatot kapja. Amint a képen látható, az index hiányzik, és nincs dátum oszlop.
Így alaphelyzetbe kell állítanunk az indexet, mert visszaadja a dátumot, amely indexként működne. Tehát ha eltávolítjuk ezt a # -t , akkor visszaadja az adatkeretet, ami az alábbi táblázatot eredményezi, amelyben most van egy dátum oszlop.
Ugyanezt a módszert használhatja a Trend esetében is, így ez egy igazán egyszerű szkript, amelyhez bármikor hozzáférhet.
Következtetés
Most már ismeri a látványelemek lebontásának nagyszerű módját. Egy egyszerű szkript segítségével megkezdheti a szezonális, trendi és fennmaradó idősor-adatvizuálisok létrehozását a LuckyTemplates és a Python alkalmazásban .
Ezzel a LuckyTemplates idősor-lebontási módszerrel leírhatja a következő adatokat: , szezonális növekedés és változások, illetve váratlan események. Ez is egy nagyszerű eszköz az előrejelzéshez. És a legjobb az egészben az, hogy könnyen másolhatja és beillesztheti ezt a szkriptet bármilyen idősoradathoz.
Az Excel gyakorisági táblázataiban, valamint az aránytáblázatokban készültek. Nos, nézze meg, mik ezek, és mikor kell használni őket.
Ismerje meg, hogyan töltheti le és telepítheti a DAX Studio és a Tabular Editor 3 alkalmazást, és hogyan konfigurálhatja őket a LuckyTemplates és az Excel programban való használatra.
Ez a blog tartalmazza a Shape Map vizualizációt a LuckyTemplates térbeli elemzéséhez. Megmutatom, hogyan használhatja hatékonyan ezt a vizualizációt annak funkcióival és elemeivel.
Ebben az oktatóanyagban egy egyedülálló ötletet mutatok be a pénzügyi jelentésekkel kapcsolatban, amely az eredmények hozzárendelését jelenti a LuckyTemplates-en belüli táblázatsablonok előre meghatározásához.
Hozzon létre DAX-mértékeket a LuckyTemplates alkalmazásban meglévő mértékek vagy képletek használatával. Ezt nevezem mértékelágazási technikának.
Ebben a blogban fedezze fel a LuckyTemplates adatkészletet, a leghatékonyabb függvényhívást, amely M- és DAX-függvények ezreit juttatja a keze ügyébe.
A mai oktatóanyagban megosztok néhány adatmodellezési technikát a DAX-mérések jobb rendszerezéséhez a hatékonyabb munkafolyamat érdekében.
A LuckyTemplates egy nagyszerű eszköz a pénzügyi jelentésekhez. Itt található egy oktatóanyag, amely bemutatja, hogyan hozhat létre személyre szabott táblázatokat a LuckyTemplates pénzügyi irányítópultjához.
Ez az oktatóanyag megvitatja a Power Query nyelvi folyamatot, és azt, hogyan segíthet zökkenőmentes és hatékony adatjelentések létrehozásában.
Az egyik kedvenc technikámról fogok beszélni a LuckyTemplates egyéni ikonok körül, amely dinamikusan használja az egyéni ikonokat a LuckyTemplates vizualizációkban.