A LuckyTemplates idősorok adatainak egyszerű bontása

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
• LuckyTemplates idősor adatkészlet
• Python szkript
• A LuckyTemplates idősorok szezonális felbomlása
• Vizuális készítés a LuckyTemplates idősoros adatokkal
• Szezonalitás
• Maradékok
• Nem állítja vissza az indexet
• Következtetés

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.