Hvordan enkelt dekomponere LuckyTemplates tidsseriedata

Denne bloggen vil lære deg hvordan du bryter ned LuckyTemplates tidsseriedata i viktige komponenter. Du kan se hele videoen av denne opplæringen nederst på denne bloggen .

Tidsseriedata er overalt, fra hjertefrekvensmål til enhetspriser på butikkvarer, og til og med i vitenskapelige modeller. Å dele opp disse dataene i essensielle deler kan være fordelaktig, spesielt ved forberedelser og presentasjoner.

Denne bloggens tidsserienedbrytningsmetode vil hjelpe deg med å finne en bedre måte å presentere data på når du beskriver trender, sesongvariasjoner eller uventede hendelser. Det er også et flott springbrett for .

Innholdsfortegnelse

• Typer grafer
• LuckyTemplates tidsseriedatasett
• Python-skript
• LuckyTemplates Time Series Seasonal Decompose
• Opprette visuell med LuckyTemplates tidsseriedata
• Sesongvariasjoner
• Rester
• Tilbakestiller ikke indeksen
• Konklusjon

Typer grafer

I bildet ovenfor er det flere grafer, inkludert  Faktiske ,  Trender ,  Sesongvariasjoner og  Støy . Noe av det beste med denne visualiseringen er at det er fall i hver graf .

Denne funksjonen kan være nyttig når du ønsker å fremheve visse avgjørende faktorer som påvirker trender, som inntekt og yrke i en forbrukerkjøpstrend. 

Det samme gjelder for å finne sesongmønstre , der de kan beskrive et selskaps månedlige eller kvartalsvise vekstbevegelser.

De er også utmerket for å bestemme datasvingninger som støyrestnivåer for vitenskapelige studier og lignende. For eksempel kan vi i grafen under se en økning i restnivåer de siste ti årene, noe som gir oss litt innsikt i en potensiell trend.

Å forstå komplekse databevegelser gjennom en lang periode er mye enklere når du presenterer dem gjennom grafene ovenfor. Å fordøye all informasjonen og gjenkjenne mønstrene og trendene foran deg er mye enklere.

Som et resultat forbedrer det interessen og samtalen rundt datarapporten eller presentasjonen din. Det hjelper deg også å forstå hva som skjer med salget, produksjonen eller noe annet.

LuckyTemplates tidsseriedatasett

Jeg vil vise deg to måter å bryte ned denne dataserien, som ble opprettet i Python Scrip Editor. Jeg vil også lære deg hvordan du bruker den samme informasjonen. Til slutt vil jeg gi deg en idé om hva du trenger å legge inn i Power Query.

Nedenfor er vårt eksempeldatasett med en månedlig datokolonne fra 1985 til 2018 sammen med en produksjonsverdikolonne for en maskin.

Python-skript

Deretter går vi til Python Script Editor og legger til en kode til de to kolonnene i datasettet vårt. Koden vil importere  pandaer som pd , et datamanipulasjonsbibliotek, og  matplotlib.pylot som plt , som viser visuelle elementer. Og for vår sesongmessige nedbrytning vil den importere en pakke med  statsmodeller  og  tsa.seasonal .

Variabelen i 4. linje viser hvor dataene våre er lagret, og i 5. linje vil du finne at jeg endret datasettnavnet vårt  til  df  da  det er lettere å skrive. Og i den 11. linjen sørget jeg for at datoen ble satt til dato og klokkeslett og gjorde deretter indeksen til datoen den 12.

LuckyTemplates Time Series Seasonal Decompose

For å gjøre en sesongmessig dekomponering, må vi ha en indeks som er en tidsserie eller en dato-tidsindeks. Dermed setter vi dataindeksen som dato og den første kolonnen.

Vi ønsker også å sette frekvensen til dataene inn i  Month Start  ( MS ) ved å bruke  df-variabelen  ved siden av  freq-  funksjonen, som vist på den 13. linjen nedenfor.

Til slutt bruker vi plt.show for å se hva vi har laget. Og hvis vi kjører det, får vi resultatet nedenfor.

Nå har vi vår sesongmessige nedbrytning. Og som du kan se fra bildet ovenfor, har den våre  faktiske ,  trender ,  sesongmessige og  rester . Disse grafene vil gi deg mye informasjon om hva som skjer med salget eller produksjonen over tid.

Opprette visuell med LuckyTemplates tidsseriedata

La oss gå tilbake til den hovedsiden slik at jeg kan vise deg hvordan jeg laget disse grafene i dataene. Deretter går vi til Transform og ser vårt originale datasett nedenfor, som handler om elektrisk produksjon.

Som du kan se, har jeg laget tre tabeller for sesongvariasjoner , rester og trender . Det var vanskelig å få dem sammen på ett bord, så jeg delte dem i tre. Men det er enkelt å kopiere og lime inn koden til dataene våre.

Sesongvariasjoner

Hvis vi flytter til tabellen elektrisk produksjon, vil du se at den har sesongvariasjoner, dato og produksjonskolonner. Sesongmessighetskolonnen vil vise svingningene over tid. Vi vil gå over trinnene for å lage den.

Hvis vi går over til  Applied Steps , kan du se at jeg allerede har promotert overskriftene og gitt nytt navn til kolonnene, blant annet. Det vi skal gjøre her er å klikke på  Kjør Python Script-  trinnet.

Som du kan se på bildet nedenfor, gjorde vi nesten det samme som vi gjorde for visualiseringen vår da vi laget den i Python Visual. Vi har hentet inn de nødvendige bibliotekene våre, inkludert  pandaer  og  statsmodels.tsa.seasonal  og  funksjonen seasonal_decompose  .

Vi har også lagret datasettvariabelen vår på nytt som df for enklere skriving og opprettet en dato. For å være sikker på at det var en dato, isolerte vi datokolonnen og brukte deretter  pd.to_datetime.  Etter det lagret vi den over  df .

Så endret vi frekvensen til Month Start ( MS ) fordi vi ønsket å gi disse datoene til  funksjonen sesongbasert _decompose .

I stedet for å plotte funksjonen vår, trakk vi ut sesongdelen, sendte inn datasettet vårt og brukte . sesongbasert  bare for å få frem sesongdataene. Til slutt tilbakestilte vi indeksen slik at vi kunne se datoen igjen.

 Nå hvis jeg klikker OK, kan du se at du får det originale datasettet og deretter df som vi står for.

Hvis vi klikker på  Tabell  (uthevet i bildet ovenfor) og åpner den, får vi opp produksjonssesongtabellen nedenfor. Hvis du vil lage en tabell som ligner på denne, kopierer du bare skriptet jeg viste deg tidligere.

Rester

La oss nå gå over til Residualene der det eneste jeg har endret var metoden eller punktet etter seasonal_decompose .

Tilbakestiller ikke indeksen

Hvis vi ikke tilbakestiller indeksen og klikker OK , vil skriptet vårt returnere en feil. Så hvis vi setter en  #  foran  df.reset_index  i den siste linjen i skriptet vårt, vil det resultere i tabellen nedenfor. Som du kan se på bildet mangler indeksen og det er ingen datokolonne.

Derfor må vi tilbakestille indeksen fordi den returnerer datoen, som ville fungere som denne indeksen. Så hvis vi fjerner den  # , vil den gi meg tilbake datarammen, noe som resulterer i tabellen nedenfor, som nå har en datokolonne.

Og du kan bruke samme metode for Trend, noe som gjør det til et veldig enkelt skript som du kan få tilgang til når du vil.

Konklusjon

Nå vet du en flott måte å bryte ned det visuelle. Med et enkelt skript kan du begynne å lage sesongmessige, trend- og gjenværende tidsseriedata i LuckyTemplates og Python .

Med denne LuckyTemplates tidsserienedbrytningsmetoden kan du beskrive data som involverer , sesongmessige vekst og endringer, eller uventede hendelser. Det er også et flott verktøy for prognoser. Og det beste er at du enkelt kan kopiere og lime inn dette skriptet for alle tidsseriedata du har.