Cómo descomponer fácilmente datos de series temporales de LuckyTemplates

Este blog le enseñará cómo desglosar los datos de series temporales de LuckyTemplates en componentes esenciales. Puedes ver el video completo de este tutorial en la parte inferior de este blog .

Los datos de series temporales están en todas partes, desde medidas de frecuencia cardíaca hasta precios unitarios de productos de la tienda, e incluso en modelos científicos. Dividir estos datos en partes esenciales puede ser ventajoso, especialmente en la preparación de gráficos y presentaciones de informes.

El método de descomposición de series temporales de este blog lo ayudará a encontrar una mejor manera de presentar los datos cuando describa tendencias, estacionalidad o eventos inesperados. También es un gran trampolín para la previsión en LuckyTemplates .

Tabla de contenido

• Tipos de gráficos
• Conjunto de datos de serie temporal de LuckyTemplates
• Escritura de Python
• Descomposición estacional de series temporales de LuckyTemplates
• Creación de objetos visuales con datos de series temporales de LuckyTemplates
• estacionalidad
• Derechos residuales de autor
• No restablecer el índice
• Conclusión

Tipos de gráficos

En la imagen de arriba hay varios gráficos, incluidos  Datos reales ,  Tendencias ,  Estacionalidad y  Ruido . Una de las mejores cosas de este visual es que hay caídas en cada gráfico .

Esta característica puede ser útil cuando desea resaltar ciertos factores cruciales que influyen en las tendencias, como los ingresos y la ocupación en una tendencia de compra del consumidor. 

Lo mismo ocurre con la identificación de patrones estacionales , donde pueden describir los movimientos de crecimiento mensuales o trimestrales de una empresa.

También son excelentes para determinar fluctuaciones de datos como niveles residuales de ruido para estudios científicos y similares. Por ejemplo, podemos ver en el gráfico a continuación un aumento en los niveles residuales durante los últimos diez años, lo que nos da una idea de una posible tendencia.

Comprender los movimientos de datos complejos a lo largo de un período extenso es mucho más fácil cuando los presenta a través de los gráficos anteriores. Digerir toda la información y reconocer los patrones y tendencias frente a ti es mucho más fácil.

Como resultado, eso mejora el interés y la conversación en torno a su informe o presentación de datos. También lo ayuda a comprender lo que está sucediendo con sus ventas, producción u otra cosa.

Conjunto de datos de serie temporal de LuckyTemplates

Le mostraré dos formas de desglosar esta serie de datos, que se creó en Python Scrip Editor. También te enseñaré cómo crear una imagen de Python usando la misma información. Finalmente, le daré una idea de lo que necesita poner en Power Query.

A continuación se muestra nuestro conjunto de datos de muestra con una columna de fecha mensual de 1985 a 2018 junto con una columna de valor de producción de una máquina.

Escritura de Python

A continuación, iremos al Editor de secuencias de comandos de Python y agregaremos un código a las dos columnas de nuestro conjunto de datos. El código importará  pandas como pd , una biblioteca de manipulación de datos, y  matplotlib.pylot como plt , que muestra nuestras imágenes. Y para nuestra descomposición estacional, importará un paquete de  statsmodels  y  tsa.seasonal .

La variable en la cuarta línea muestra dónde se guardan nuestros datos, y en la quinta línea encontrará que cambié el nombre de nuestro  conjunto de datos  a  df  porque es más fácil de escribir. Y en la línea 11, me aseguré de que la fecha se estableciera para fecha y hora y luego hice que el índice fuera la fecha del día 12.

Descomposición estacional de series temporales de LuckyTemplates

Para hacer una descomposición estacional, necesitamos tener un índice que sea una serie de tiempo o un índice de fecha y hora. Por lo tanto, estableceremos el índice de datos como la fecha y la primera columna.

También queremos establecer la frecuencia de los datos en  Month Start  ( MS ) usando la  variable df  junto con la  función freq  , como se muestra en la línea 13 a continuación.

Finalmente, usamos plt.show para ver lo que hemos creado. Y si ejecutamos eso, tendremos el resultado a continuación.

Ahora tenemos nuestra descomposición estacional. Y como puede ver en la imagen de arriba, tiene nuestros  Datos reales ,  Tendencia ,  Estacionalidad y  Residuales . Estos gráficos le brindarán mucha información sobre lo que sucede con sus ventas o producción a lo largo del tiempo.

Creación de objetos visuales con datos de series temporales de LuckyTemplates

Volvamos a esa página principal para poder mostrarles cómo creé estos gráficos dentro de los datos. Luego iremos a Transformar y veremos nuestro conjunto de datos original a continuación, que trata sobre la producción eléctrica.

Como puede ver, hice tres tablas para Estacionalidad , Residuales y Tendencias . Era difícil colocarlos juntos en una mesa, así que los dividí en tres. Pero es fácil copiar y pegar el código de nuestros datos.

estacionalidad

Si nos movemos a la tabla de Producción Eléctrica, verás que tiene columnas de estacionalidad, fecha y producción. La columna de estacionalidad mostrará la fluctuación a lo largo del tiempo. Repasaremos los pasos para crearlo.

Si nos dirigimos a los  Pasos aplicados , puede ver que ya promocioné los encabezados y renombré las columnas, entre otros. Lo que haremos aquí es hacer clic en el  paso Ejecutar secuencia de comandos de Python  .

Como puede ver en la imagen a continuación, hicimos casi lo mismo que hicimos con nuestro objeto visual cuando lo creamos en Python Visual. Hemos traído nuestras bibliotecas necesarias, incluidas  pandas  y  statsmodels.tsa.seasonal  y la  función season_decompose  .

También volvimos a guardar nuestra variable de conjunto de datos como df para facilitar la escritura y creamos una fecha. Para asegurarnos de que era una fecha, aislamos la columna de fecha y luego usamos  pd.to_datetime.  Después de eso, lo guardamos sobre el  df .

Luego cambiamos la frecuencia a Inicio de mes ( MS ) porque queríamos dar esas fechas a la  función de descomposición estacional .

En lugar de trazar nuestra función, sacamos la parte estacional, pasamos nuestro conjunto de datos y usamos . estacional  solo para mostrar los datos estacionales. Finalmente, reiniciamos el índice para poder ver la fecha nuevamente.

 Ahora, si hago clic en Aceptar, puede ver que se le proporciona el conjunto de datos original y luego el df que representamos.

Si hacemos clic en  Tabla  (resaltado en la imagen de arriba) y la abrimos, obtendremos la tabla de estacionalidad de producción a continuación. Si desea crear una tabla similar a esta, simplemente copie el script que le mostré anteriormente.

Derechos residuales de autor

Ahora pasemos a Residuals donde lo único que cambié fue el método o el punto después de season_decompose .

No restablecer el índice

Si no restablecemos el índice y hacemos clic en Aceptar , nuestro script devolverá un error. Entonces, si ponemos un  #  antes  de df.reset_index  en la última línea de nuestro script, dará como resultado la tabla a continuación. Como puede ver en la imagen, falta el índice y no hay una columna de fecha.

Por lo tanto, necesitamos restablecer el índice porque devuelve la fecha, que operaría como este índice. Entonces, si eliminamos ese  # , me devolverá el marco de datos, lo que dará como resultado la siguiente tabla, que ahora tiene una columna de fecha.

Y puede usar el mismo método para Trend, lo que lo convierte en un script realmente fácil al que puede acceder en cualquier momento que desee.

Informes de administración de inventario para mostrar tendencias en ventas
Informes de pronóstico de demanda y administración minorista en LuckyTemplates
Sugerencias de visualización de datos de LuckyTemplates para el análisis de tendencias de KPI

Conclusión

Ahora conoce una excelente manera de desglosar sus imágenes. Con un simple script, puede comenzar a crear imágenes de datos de series temporales de estacionalidad, tendencias y residuales en LuckyTemplates y Python .

Con este método de descomposición de series temporales de LuckyTemplates, puede describir datos relacionados con tendencias de ventas , crecimiento y cambios estacionales o eventos inesperados. También es una gran herramienta para la previsión. Y la mejor parte es que puede copiar y pegar fácilmente este script para cualquier serie de datos de tiempo que tenga.