Hur man enkelt bryter ner LuckyTemplates tidsseriedata

Den här bloggen kommer att lära dig hur du delar upp LuckyTemplates tidsseriedata i viktiga komponenter. Du kan se hela videon av denna handledning längst ner på den här bloggen .

Tidsseriedata finns överallt, från pulsmätningar till enhetspriser på butiksvaror, och även i vetenskapliga modeller. Att dela upp dessa data i väsentliga delar kan vara fördelaktigt, särskilt vid förberedelser och presentationer.

Denna bloggs metod för tidsserienedbrytning hjälper dig att hitta ett bättre sätt att presentera data när du beskriver trender, säsongsvariationer eller oväntade händelser. Det är också en bra språngbräda för .

Innehållsförteckning

• Typer av grafer
• LuckyTemplates tidsseriedatauppsättning
• Python-skript
• LuckyTemplates Tidsserie Säsongsupplösning
• Skapa visuellt med LuckyTemplates tidsseriedata
• Säsongsvariationer
• Rester
• Återställer inte indexet
• Slutsats

Typer av grafer

I bilden ovan finns flera grafer, inklusive  Faktiska ,  Trender ,  Säsongsvariationer och  Brus . En av de bästa sakerna med den här bilden är att det finns fall i varje graf .

Den här funktionen kan vara praktisk när du vill lyfta fram vissa avgörande faktorer som påverkar trender, som inkomst och yrke i en konsumentköptrend. 

Detsamma gäller för att fastställa säsongsmönster , där de kan beskriva ett företags månatliga eller kvartalsvisa tillväxtrörelser.

De är också utmärkta för att bestämma datafluktuationer som bullerrestnivåer för vetenskapliga studier och liknande. Till exempel kan vi i grafen nedan se en ökning av resthalterna de senaste tio åren, vilket ger oss lite inblick i en potentiell trend.

Att förstå komplexa datarörelser under en lång period är mycket lättare när du presenterar dem genom ovanstående grafer. Att smälta all information och känna igen mönstren och trenderna framför dig är mycket lättare.

Som ett resultat förbättrar det intresset och konversationen kring din datarapport eller presentation. Det hjälper dig också att förstå vad som händer med din försäljning, produktion eller något annat.

LuckyTemplates tidsseriedatauppsättning

Jag kommer att visa dig två sätt att bryta ner denna dataserie, som skapades i Python Scrip Editor. Jag kommer också att lära dig hur du använder samma information. Slutligen kommer jag att ge dig en uppfattning om vad du behöver lägga in i Power Query.

Nedan är vår exempeldatauppsättning med en månadskolumn för datum från 1985 till 2018 tillsammans med en produktionsvärdeskolumn för en maskin.

Python-skript

Därefter går vi till Python Script Editor och lägger till en kod till de två kolumnerna i vår datamängd. Koden kommer att importera  pandor som pd , ett datamanipuleringsbibliotek och  matplotlib.pylot som plt , som visar våra bilder. Och för vår säsongsmässiga nedbrytning kommer det att importeras ett paket med  statsmodeller  och  tsa.seasonal .

Variabeln på 4:e raden visar var vår data sparas, och på 5:e raden ser du att jag ändrade vårt  datauppsättningsnamn  till  df  eftersom det är lättare att skriva. Och på den 11:e raden såg jag till att datumet var inställt för datum och tid och gjorde sedan indexet till datumet den 12:e.

LuckyTemplates Tidsserie Säsongsupplösning

För att göra en säsongsuppdelning måste vi ha ett index som är en tidsserie eller ett datum- och tidsindex. Därför kommer vi att ställa in dataindexet som datum och den första kolumnen.

Vi vill också ställa in frekvensen för data till  Month Start  ( MS ) med hjälp av  variabeln df  vid sidan av  freq-  funktionen, som visas på den 13:e raden nedan.

Slutligen använder vi plt.show för att se vad vi har skapat. Och om vi kör det får vi resultatet nedan.

Nu har vi vår säsongsbetonade nedbrytning. Och som du kan se från bilden ovan har den våra  faktiska uppgifter ,  trender ,  säsongsvariationer och  rester . Dessa grafer ger dig massor av information om vad som händer med din försäljning eller produktion över tiden.

Skapa visuellt med LuckyTemplates tidsseriedata

Låt oss gå tillbaka till den huvudsidan så att jag kan visa dig hur jag skapade dessa grafer i data. Sedan går vi till Transform och ser vår ursprungliga datamängd nedan, som handlar om elektrisk produktion.

Som ni ser har jag gjort tre tabeller för säsongsvariationer , rester och trender . Det var svårt att få ihop dem på ett bord, så jag delade upp dem i tre. Men det är enkelt att kopiera och klistra in koden för vår data.

Säsongsvariationer

Om vi ​​flyttar till tabellen Elproduktion kommer du att se att den har säsongsvariationer, datum och produktionskolumner. Säsongskolumnen visar fluktuationen över tiden. Vi går igenom stegen för att skapa den.

Om vi ​​går över till  Applied Steps , kan du se att jag redan har marknadsfört rubrikerna och bytt namn på kolumnerna, bland annat. Vad vi ska göra här är att klicka på   steget Kör Python-skript .

Som du kan se på bilden nedan gjorde vi nästan samma sak som vi gjorde för vår visuella när vi skapade den i Python Visual. Vi har tagit in våra nödvändiga bibliotek, inklusive  pandor  och  statsmodels.tsa.seasonal  och   funktionen seasonal_decompose .

Vi sparade också om vår datamängdsvariabel som df för enklare skrivning och skapade ett datum. För att vara säker på att det var ett datum isolerade vi datumkolumnen och använde sedan  pd.to_datetime.  Efter det sparade vi det över  df .

Sedan ändrade vi frekvensen till Month Start ( MS ) eftersom vi ville ge dessa datum till den  säsongsbetonade _decompose-funktionen .

Istället för att plotta vår funktion drog vi ut säsongsdelen, skickade in vår datamängd och använde . säsongsbetonad  bara för att få fram säsongsdata. Slutligen nollställde vi indexet så att vi kunde se datumet igen.

 Om jag nu klickar på OK kan du se att du får den ursprungliga datamängden och sedan den df som vi står för.

Om vi ​​klickar på  Tabell  (markerat i bilden ovan) och öppnar den, får vi upp produktionssäsongstabellen nedan. Om du vill skapa en tabell som liknar den här, kopiera bara skriptet som jag visade dig tidigare.

Rester

Låt oss nu gå över till Residualerna där det enda jag har ändrat var metoden eller punkten efter seasonal_decompose .

Återställer inte indexet

Om vi ​​inte återställer indexet och klickar på OK kommer vårt skript att returnera ett fel. Så om vi sätter ett  #  före  df.reset_index  i den sista raden i vårt skript, kommer det att resultera i tabellen nedan. Som du kan se på bilden saknas indexet och det finns ingen datumkolumn.

Därför måste vi återställa indexet eftersom det returnerar datumet, som skulle fungera som detta index. Så om vi tar bort det  # , kommer det att ge mig tillbaka dataramen, vilket resulterar i tabellen nedan, som nu har en datumkolumn.

Och du kan använda samma metod för Trend, vilket gör det till ett riktigt enkelt skript som du kan komma åt när du vill.

Slutsats

Nu vet du ett bra sätt att bryta ner dina bilder. Med ett enkelt skript kan du börja skapa säsongsvariationer, trender och återstående tidsseriedata i LuckyTemplates och Python .

Med denna LuckyTemplates tidsserienedbrytningsmetod kan du beskriva data som involverar , säsongstillväxt och förändringar, eller oväntade händelser. Det är också ett utmärkt verktyg för att prognostisera. Och det bästa är att du enkelt kan kopiera och klistra in det här skriptet för alla tidsseriedata du har.