So zerlegen Sie LuckyTemplates-Zeitreihendaten einfach

In diesem Blog erfahren Sie, wie Sie LuckyTemplates-Zeitreihendaten in wesentliche Komponenten aufteilen. Das vollständige Video dieses Tutorials können Sie unten in diesem Blog ansehen .

Zeitreihendaten gibt es überall, von Herzfrequenzmessungen über Stückpreise von Ladenwaren bis hin zu wissenschaftlichen Modellen. Die Aufteilung dieser Daten in wesentliche Teile kann von Vorteil sein, insbesondere bei der Erstellung von Berichtsdiagrammen und Präsentationen.

Die Zeitreihenzerlegungsmethode dieses Blogs hilft Ihnen dabei, Daten besser darzustellen, wenn Sie Trends, Saisonalität oder unerwartete Ereignisse beschreiben. Es ist auch ein hervorragendes Sprungbrett für Prognosen in LuckyTemplates .

Inhaltsverzeichnis

• Arten von Diagrammen
• LuckyTemplates-Zeitreihendatensatz
• Python-Skript
• Saisonale Zerlegung von LuckyTemplates-Zeitreihen
• Visualisierung mit LuckyTemplates-Zeitreihendaten erstellen
• Saisonalität
• Reste
• Der Index wird nicht zurückgesetzt
• Abschluss

Arten von Diagrammen

Im Bild oben sind mehrere Diagramme zu sehen, darunter  Istwerte ,  Trends ,  Saisonalität und  Rauschen . Eines der besten Dinge an diesem Bild ist, dass es in jedem Diagramm Einbrüche gibt .

Diese Funktion kann nützlich sein, wenn Sie bestimmte entscheidende Faktoren hervorheben möchten , die Trends beeinflussen, wie z. B. Einkommen und Beruf in einem Verbraucherkauftrend. 

Das Gleiche gilt für die Ermittlung saisonaler Muster , mit denen sich die monatlichen oder vierteljährlichen Wachstumsbewegungen eines Unternehmens beschreiben lassen.

Sie eignen sich auch hervorragend zur Bestimmung von Datenschwankungen wie Lärmrestpegeln für wissenschaftliche Studien und dergleichen. In der folgenden Grafik können wir beispielsweise einen Anstieg der Restmengen in den letzten zehn Jahren sehen, was uns einen kleinen Einblick in einen möglichen Trend gibt.

Komplexe Datenbewegungen über einen längeren Zeitraum hinweg lassen sich viel einfacher verstehen, wenn Sie sie anhand der obigen Diagramme darstellen. Es ist viel einfacher, alle Informationen zu verarbeiten und die vor Ihnen liegenden Muster und Trends zu erkennen.

Dies erhöht das Interesse und die Konversation rund um Ihren Datenbericht oder Ihre Präsentation. Es hilft Ihnen auch zu verstehen, was in Ihrem Vertrieb, Ihrer Produktion oder etwas anderem vor sich geht.

LuckyTemplates-Zeitreihendatensatz

Ich zeige Ihnen zwei Möglichkeiten, diese Datenreihe, die im Python Scrip Editor erstellt wurde, aufzuschlüsseln. Ich werde Ihnen auch beibringen, wie Sie mit denselben Informationen ein Python-Visual erstellen . Abschließend gebe ich Ihnen eine Vorstellung davon, was Sie in die Power Query einfügen müssen.

Nachfolgend finden Sie unseren Beispieldatensatz mit einer monatlichen Datumsspalte von 1985 bis 2018 sowie einer Produktionswertspalte einer Maschine.

Python-Skript

Als Nächstes gehen wir zum Python-Skripteditor und fügen den beiden Spalten unseres Datensatzes einen Code hinzu. Der Code importiert  Pandas als pd , eine Datenmanipulationsbibliothek, und  matplotlib.pylot als plt , was unsere Visuals zeigt. Und für unsere saisonale Zerlegung wird ein Paket mit  statsmodels  und  tsa.seasonal importiert .

Die Variable in der 4. Zeile zeigt, wo unsere Daten gespeichert sind, und in der 5. Zeile sehen Sie, dass ich den Namen unseres  Datensatzes  in  df  geändert habe , da er einfacher zu schreiben ist. Und in der 11. Zeile habe ich dafür gesorgt, dass das Datum für Datum/Uhrzeit eingestellt war, und dann den Index auf das Datum am 12. gesetzt.

Saisonale Zerlegung von LuckyTemplates-Zeitreihen

Um eine saisonale Zerlegung durchzuführen, benötigen wir einen Index, der eine Zeitreihe oder einen Datum-Uhrzeit-Index ist. Daher legen wir den Datenindex als Datum und als erste Spalte fest.

Wir möchten auch die Häufigkeit der Daten in  Month Start  ( MS ) festlegen, indem wir die  df-Variable  neben der  freq-  Funktion verwenden, wie in der 13. Zeile unten gezeigt.

Schließlich verwenden wir plt.show , um zu sehen, was wir erstellt haben. Und wenn wir das ausführen, erhalten wir das folgende Ergebnis.

Jetzt haben wir unsere saisonale Zerlegung. Und wie Sie auf dem Bild oben sehen können, enthält es unsere  Ist-Werte ,  den Trend ,  die Saisonalität und  die Residuen . Diese Grafiken geben Ihnen zahlreiche Informationen darüber, was sich im Laufe der Zeit bei Ihren Verkäufen oder Ihrer Produktion entwickelt.

Visualisierung mit LuckyTemplates-Zeitreihendaten erstellen

Kehren wir zur Hauptseite zurück, damit ich Ihnen zeigen kann, wie ich diese Diagramme innerhalb der Daten erstellt habe. Dann gehen wir zu „Transformieren“ und sehen uns unten unseren Originaldatensatz an, der sich mit der Stromerzeugung befasst.

Wie Sie sehen können, habe ich drei Tabellen für Saisonalität , Residuen und Trends erstellt . Es war schwierig, sie auf einem Tisch unterzubringen, also habe ich sie in drei Teile geteilt. Aber es ist einfach, den Code unserer Daten zu kopieren und einzufügen.

Saisonalität

Wenn wir zur Tabelle „Stromproduktion“ wechseln, werden Sie sehen, dass sie die Spalten „Saisonalität“, „Datum“ und „Produktion“ enthält. In der Spalte „Saisonalität“ werden die Schwankungen im Zeitverlauf angezeigt. Wir gehen die Schritte zur Erstellung durch.

Wenn wir zu den  „Angewandten Schritten“ gehen , können Sie sehen, dass ich unter anderem bereits die Überschriften hochgestuft und die Spalten umbenannt habe. Hier klicken wir auf den  Schritt „Python-Skript ausführen“  .

Wie Sie im Bild unten sehen können, haben wir fast das Gleiche getan wie für unser Visual, als wir es in Python Visual erstellt haben. Wir haben unsere benötigten Bibliotheken eingebracht, darunter  Pandas  und  statsmodels.tsa.seasonal  sowie die  Funktion „seasonal_decompose“  .

Außerdem haben wir unsere Datensatzvariable zum einfacheren Schreiben erneut als df gespeichert und ein Datum erstellt. Um sicherzustellen, dass es sich um ein Datum handelte, haben wir die Datumsspalte isoliert und dann  pd.to_datetime verwendet.  Danach haben wir es über  df gespeichert .

Dann haben wir die Häufigkeit in Month Start ( MS ) geändert, weil wir diese Daten der  saisonalen Funktion _decompose übergeben wollten .

Anstatt unsere Funktion zu zeichnen, haben wir den saisonalen Teil herausgezogen, unseren Datensatz übergeben und verwendet. saisonal,  nur um die saisonalen Daten hervorzuheben. Schließlich haben wir den Index zurückgesetzt, damit wir das Datum wieder sehen konnten.

 Wenn ich nun auf „OK“ klicke, sehen Sie, dass Sie den Originaldatensatz und dann den df erhalten , für den wir stehen.

Wenn wir auf „Tabelle“  klicken  (im Bild oben hervorgehoben) und sie öffnen, erhalten wir unten die Produktionssaisonalitätstabelle. Wenn Sie eine ähnliche Tabelle wie diese erstellen möchten, kopieren Sie einfach das Skript, das ich Ihnen zuvor gezeigt habe.

Reste

Gehen wir nun zu den Residuen über, wo ich nur die Methode oder den Punkt nach „ seasonal_decompose“ geändert habe .

Der Index wird nicht zurückgesetzt

Wenn wir den Index nicht zurücksetzen und auf OK klicken , gibt unser Skript einen Fehler zurück.  Wenn wir also in der letzten Zeile unseres Skripts ein  #  vor  df.reset_index einfügen , wird die folgende Tabelle angezeigt. Wie Sie im Bild sehen können, fehlt der Index und es gibt keine Datumsspalte.

Daher müssen wir den Index zurücksetzen, da er das Datum zurückgibt, das als dieser Index fungieren würde.  Wenn wir also das # entfernen , erhalte ich den Datenrahmen zurück, was zur folgenden Tabelle führt, die jetzt eine Datumsspalte enthält.

Und Sie können die gleiche Methode für Trend verwenden, wodurch es zu einem wirklich einfachen Skript wird, auf das Sie jederzeit zugreifen können.

Bestandsverwaltungsberichte zur Anzeige von Verkaufstrends Einzelhandelsmanagement-
und Nachfrageprognoseberichte in LuckyTemplates
Tipps zur LuckyTemplates-Datenvisualisierung für die Analyse von KPI-Trends

Abschluss

Jetzt kennen Sie eine großartige Möglichkeit, Ihre visuellen Elemente aufzuschlüsseln. Mit einem einfachen Skript können Sie mit der Erstellung von Visuals für Saisonalitäts-, Trend- und Restzeitreihendaten in LuckyTemplates und Python beginnen .

Mit dieser Zeitreihenzerlegungsmethode von LuckyTemplates können Sie Daten zu Verkaufstrends , saisonalem Wachstum und Änderungen oder unerwarteten Ereignissen beschreiben. Es ist auch ein großartiges Tool für Prognosen. Und das Beste daran ist, dass Sie dieses Skript ganz einfach kopieren und für alle Zeitreihendaten, die Sie haben, einfügen können.