Як легко розкласти дані часових рядів LuckyTemplates

Цей блог навчить вас розбивати дані часових рядів LuckyTemplates на основні компоненти. Ви можете переглянути повне відео цього підручника внизу цього блогу .

Дані часових рядів є скрізь, від показників частоти серцевих скорочень до цін за одиницю магазинних товарів і навіть у наукових моделях. Розбиття цих даних на основні частини може бути корисним, особливо під час підготовки та презентацій.

Метод декомпозиції часових рядів у цьому блозі допоможе вам знайти кращий спосіб представлення даних під час опису тенденцій, сезонності чи несподіваних подій. Це також чудова сходинка для .

Зміст

• Типи графіків
• Набір даних часових рядів LuckyTemplates
• Сценарій Python
• Часові ряди LuckyTemplates Сезонне розкладання
• Створення візуалу за допомогою даних часових рядів LuckyTemplates
• Сезонність
• Залишки
• Індекс не скидається
• Висновок

Типи графіків

На зображенні вище є кілька графіків, у тому числі  Фактичні показники ,  Тенденції ,  Сезонність і  Шум . Однією з найкращих рис цього візуалу є те, що на кожному графіку є провали .

Ця функція може стати в нагоді, коли ви хочете виділити певні важливі фактори , які впливають на тенденції, як-от дохід і професія в тенденції купівлі споживачів. 

Те саме стосується точного визначення сезонних закономірностей , де вони можуть описувати місячні чи квартальні рухи зростання компанії.

Вони також чудово підходять для визначення коливань даних, таких як залишковий рівень шуму для наукових досліджень тощо. Наприклад, на графіку нижче ми можемо побачити збільшення залишкових рівнів за останні десять років, що дає нам трохи розуміння потенційної тенденції.

Зрозуміти рух складних даних протягом тривалого періоду набагато легше, якщо ви представите їх за допомогою наведених вище графіків. Перетравлювати всю інформацію та розпізнавати закономірності та тенденції перед вами набагато легше.

Як наслідок, це підвищує інтерес і обговорення навколо вашого звіту з даними або презентації. Це також допоможе вам зрозуміти, що відбувається з вашими продажами, виробництвом або чимось іншим.

Набір даних часових рядів LuckyTemplates

Я покажу вам два способи розбити цей ряд даних, створений у Python Scrip Editor. Я також навчу вас, як використовувати ту саму інформацію. Нарешті, я дам вам уявлення про те, що вам потрібно додати до Power Query.

Нижче наведено наш вибірковий набір даних зі стовпцем місячної дати з 1985 по 2018 рік разом зі стовпцем вартості виробництва машини.

Сценарій Python

Далі ми перейдемо до Python Script Editor і додамо код до двох стовпців нашого набору даних. Код імпортуватиме  pandas як pd , бібліотеку обробки даних, і  matplotlib.pylot як plt , що показує наші візуальні ефекти. А для нашої сезонної декомпозиції буде імпортовано пакет  statsmodels  і  tsa.seasonal .

Змінна в 4-му рядку показує, де зберігаються наші дані, а в 5-му рядку ви побачите, що я змінив назву нашого  набору даних  на  df  , оскільки його легше писати. А в 11-му рядку я переконався, що дата встановлена ​​для дати і часу, а потім зробив індекс датою 12-го числа.

Часові ряди LuckyTemplates Сезонне розкладання

Щоб виконати сезонну декомпозицію, нам потрібен індекс, який є часовим рядом або індексом дати та часу. Таким чином, ми встановимо індекс даних як дату та перший стовпець.

Ми також хочемо встановити частоту даних у  Month Start  ( MS ) за допомогою  змінної df  поряд із  функцією freq  , як показано в 13-му рядку нижче.

Нарешті, ми використовуємо plt.show , щоб побачити, що ми створили. І якщо ми запустимо це, ми отримаємо результат нижче.

Тепер у нас є наша сезонна декомпозиція. І, як ви можете бачити на зображенні вище, тут є наші  Фактичні значення ,  Тенденції ,  Сезонність і  Залишки . Ці графіки дадуть вам багато інформації про те, що відбувається з вашими продажами чи виробництвом протягом тривалого часу.

Створення візуалу за допомогою даних часових рядів LuckyTemplates

Давайте повернемося до головної сторінки, щоб я міг показати вам, як я створив ці графіки в даних. Потім ми перейдемо до Transform і побачимо наш оригінальний набір даних нижче, який стосується виробництва електроенергії.

Як бачите, я створив три таблиці для сезонності , залишків і тенденцій . Було важко розмістити їх разом на одному столі, тому я розбив їх на три. Але код наших даних легко скопіювати та вставити.

Сезонність

Якщо ми перейдемо до таблиці Electric Production, ви побачите, що в ній є стовпці сезонності, дати та виробництва. Стовпець сезонності покаже коливання з часом. Ми розглянемо етапи його створення.

Якщо ми перейдемо до  Застосованих кроків , ви побачите, що я вже підвищив заголовки та перейменував стовпці, зокрема. Що ми зробимо тут, це натиснемо  крок Run Python Script  .

Як ви можете бачити на зображенні нижче, ми зробили майже те саме, що робили для нашого візуалу, коли створювали його на Python Visual. Ми додали необхідні бібліотеки, включаючи  pandas  і  statsmodels.tsa.seasonal  і  функцію seasonal_decompose  .

Ми також повторно зберегли нашу змінну набору даних як df для легшого запису та створили дату. Щоб переконатися, що це була дата, ми ізолювали стовпець дати, а потім використовували  pd.to_datetime.  Після цього ми зберегли його поверх  df .

Потім ми змінили частоту на Month Start ( MS ) , оскільки хотіли надати ці дати  сезонній функції _decompose .

Замість побудови графіка нашої функції ми вилучили сезонну частину, передали наш набір даних і використали. сезонні  , щоб показати сезонні дані. Нарешті ми скинули індекс, щоб знову побачити дату.

 Тепер, якщо я натисну «ОК», ви побачите, що вам надано вихідний набір даних, а потім df , який ми представляємо.

Якщо ми натиснемо  таблицю  (виділено на зображенні вище) і відкриємо її, ми отримаємо таблицю сезонності виробництва нижче. Якщо ви хочете створити таблицю, подібну до цієї, просто скопіюйте сценарій, який я показав вам раніше.

Залишки

Тепер давайте перейдемо до Residuals, де єдине, що я змінив, це метод або точка після seasonal_decompose .

Індекс не скидається

Якщо ми не скинемо індекс і не натиснемо OK , наш сценарій поверне помилку. Отже, якщо ми поставимо  #  перед  df.reset_index  в останньому рядку нашого сценарію, це призведе до таблиці нижче. Як ви бачите на зображенні, відсутній індекс і немає стовпця дати.

Таким чином, нам потрібно скинути індекс, оскільки він повертає дату, яка працюватиме як цей індекс. Отже, якщо ми видалимо цей  # , це поверне мені кадр даних, у результаті чого з’явиться таблиця нижче, яка тепер має стовпець дати.

І ви можете використовувати той самий метод для Trend, що робить його дуже простим сценарієм, до якого ви можете отримати доступ у будь-який час.

Висновок

Тепер ви знаєте чудовий спосіб розбити візуальні ефекти. За допомогою простого сценарію ви можете почати створювати візуальні елементи даних сезонності, тенденції та залишкового часового ряду в LuckyTemplates і Python .

За допомогою цього методу декомпозиції часових рядів LuckyTemplates ви можете описати дані, що включають , сезонне зростання та зміни або несподівані події. Це також чудовий інструмент для прогнозування. І найкраще те, що ви можете легко скопіювати та вставити цей сценарій для будь-яких даних часового ряду, які у вас є.