Comment décomposer facilement les données de séries temporelles LuckyTemplates

Ce blog vous apprendra à décomposer les données de séries temporelles LuckyTemplates en composants essentiels. Vous pouvez regarder la vidéo complète de ce tutoriel au bas de ce blog .

Les données de séries chronologiques sont partout, des mesures de la fréquence cardiaque aux prix unitaires des marchandises en magasin, et même dans les modèles scientifiques. Diviser ces données en parties essentielles peut être avantageux, en particulier lors de la préparation de graphiques de rapport et de présentations.

La méthode de décomposition des séries chronologiques de ce blog vous aidera à trouver une meilleure façon de présenter les données lors de la description des tendances, de la saisonnalité ou des événements inattendus. C'est également un excellent tremplin pour les prévisions dans LuckyTemplates .

Table des matières

• Types de graphiques
• Ensemble de données de séries chronologiques LuckyTemplates
• Script Python
• Décomposition saisonnière des séries chronologiques LuckyTemplates
• Création de visuels avec des données de séries temporelles LuckyTemplates
• Saisonnalité
• Résidus
• Ne pas réinitialiser l'index
• Conclusion

Types de graphiques

L'image ci-dessus contient plusieurs graphiques, notamment  Actuals ,  Trends ,  Seasonality et  Noise . L'une des meilleures choses à propos de ce visuel est qu'il y a des creux dans chaque graphique .

Cette fonctionnalité peut être utile lorsque vous souhaitez mettre en évidence certains facteurs cruciaux qui influencent les tendances, comme le revenu et la profession dans une tendance d'achat des consommateurs. 

Il en va de même pour l'identification des modèles saisonniers , où ils peuvent décrire les mouvements de croissance mensuels ou trimestriels d'une entreprise.

Ils sont également excellents pour déterminer les fluctuations de données telles que les niveaux de bruit résiduel pour les études scientifiques, etc. Par exemple, nous pouvons voir dans le graphique ci-dessous une augmentation des niveaux résiduels au cours des dix dernières années, ce qui nous donne un aperçu d'une tendance potentielle.

Il est beaucoup plus facile de comprendre les mouvements de données complexes sur une longue période lorsque vous les présentez à travers les graphiques ci-dessus. Assimiler toutes les informations et reconnaître les modèles et les tendances devant vous est beaucoup plus facile.

En conséquence, cela améliore l'intérêt et la conversation autour de votre rapport de données ou de votre présentation. Cela vous aide également à comprendre ce qui se passe avec vos ventes, votre production ou autre chose.

Ensemble de données de séries chronologiques LuckyTemplates

Je vais vous montrer deux façons de décomposer cette série de données, qui a été créée dans Python Scrip Editor. Je vais également vous apprendre à créer un visuel Python en utilisant les mêmes informations. Enfin, je vais vous donner une idée de ce que vous devez mettre dans Power Query.

Vous trouverez ci-dessous notre exemple d'ensemble de données avec une colonne de date mensuelle de 1985 à 2018 à côté d'une colonne de valeur de production d'une machine.

Script Python

Ensuite, nous allons aller dans Python Script Editor et ajouter un code aux deux colonnes de notre ensemble de données. Le code importera  des pandas en tant que pd , une bibliothèque de manipulation de données, et  matplotlib.pylot en tant que plt , qui affiche nos visuels. Et pour notre décomposition saisonnière, il importera un package de  statsmodels  et  tsa.seasonal .

La variable dans la 4ème ligne montre où nos données sont enregistrées, et dans la 5ème ligne, vous constaterez que j'ai changé le nom de notre  jeu de données  en  df  car il est plus facile à écrire. Et dans la 11e ligne, je me suis assuré que la date était réglée pour la date et l'heure, puis j'ai fait l'index de la date du 12.

Décomposition saisonnière des séries chronologiques LuckyTemplates

Pour faire une décomposition saisonnière, nous avons besoin d'un index qui est une série chronologique ou un index date-heure. Ainsi, nous allons définir l'index des données comme la date et la première colonne.

Nous voulons également définir la fréquence des données dans  Month Start  ( MS ) en utilisant la  variable df  à côté de la   fonction freq , comme indiqué dans la 13e ligne ci-dessous.

Enfin, nous utilisons plt.show pour voir ce que nous avons créé. Et si nous exécutons cela, nous aurons le résultat ci-dessous.

Nous avons maintenant notre décomposition saisonnière. Et comme vous pouvez le voir sur l'image ci-dessus, elle contient nos  Actuels ,  Tendance ,  Saisonnalité et  Résiduels . Ces graphiques vous donneront de nombreuses informations sur l'évolution de vos ventes ou de votre production au fil du temps.

Création de visuels avec des données de séries temporelles LuckyTemplates

Revenons à cette page principale pour que je puisse vous montrer comment j'ai créé ces graphiques dans les données. Ensuite, nous irons à Transformer et verrons notre ensemble de données d'origine ci-dessous, qui concerne la production électrique.

Comme vous pouvez le voir, j'ai créé trois tableaux pour Seasonality , Residuals et Trends . C'était difficile de les assembler sur une table, alors je les ai divisés en trois. Mais il est facile de copier et coller le code de nos données.

Saisonnalité

Si nous passons au tableau Production électrique, vous verrez qu'il contient des colonnes de saisonnalité, de date et de production. La colonne de saisonnalité montrera la fluctuation dans le temps. Nous allons passer en revue les étapes de sa création.

Si nous nous dirigeons vers les  étapes appliquées , vous pouvez voir que j'ai déjà promu les en-têtes et renommé les colonnes, entre autres. Ce que nous allons faire ici, c'est cliquer sur l'   étape Exécuter le script Python .

Comme vous pouvez le voir dans l'image ci-dessous, nous avons fait presque la même chose que nous avons fait pour notre visuel lorsque nous l'avons créé dans Python Visual. Nous avons apporté nos bibliothèques nécessaires, y compris  pandas  et  statsmodels.tsa.seasonal  et la   fonction season_decompose .

Nous avons également réenregistré notre variable d'ensemble de données en tant que df pour une écriture plus facile et avons créé une date. Pour nous assurer qu'il s'agissait d'une date, nous avons isolé la colonne de date, puis utilisé  pd.to_datetime.  Après cela, nous l'avons enregistré sur le  df .

Ensuite, nous avons changé la fréquence en Month Start ( MS ) parce que nous voulions donner ces dates à la  fonction _decompose saisonnière .

Au lieu de tracer notre fonction, nous avons extrait la partie saisonnière, transmis notre ensemble de données et utilisé . saisonnier  juste pour faire ressortir les données saisonnières. Enfin, nous avons réinitialisé l'index afin de pouvoir revoir la date.

 Maintenant, si je clique sur OK, vous pouvez voir que l'ensemble de données d'origine vous est donné, puis le df que nous représentons.

Si nous cliquons sur  le tableau  (surligné dans l'image ci-dessus) et l'ouvrons, nous obtiendrons le tableau de saisonnalité de la production ci-dessous. Si vous souhaitez créer une table similaire à celle-ci, copiez simplement le script que je vous ai montré plus tôt.

Résidus

Passons maintenant aux résidus où la seule chose que j'ai changée était la méthode ou le point après le season_decompose .

Ne pas réinitialiser l'index

Si nous ne réinitialisons pas l'index et ne cliquons pas sur OK , notre script renverra une erreur. Donc, si nous mettons un  #  avant  df.reset_index  dans la dernière ligne de notre script, cela se traduira par le tableau ci-dessous. Comme vous pouvez le voir sur l'image, l'index est manquant et il n'y a pas de colonne de date.

Ainsi, nous devons réinitialiser l'index car il renvoie la date, qui fonctionnerait comme cet index. Donc, si nous supprimons ce  # , cela me rendra le bloc de données, ce qui donnera le tableau ci-dessous, qui a maintenant une colonne de date.

Et vous pouvez utiliser la même méthode pour Trend, ce qui en fait un script très simple auquel vous pouvez accéder à tout moment.

Rapports de gestion des stocks pour afficher les tendances des ventes
Rapports de gestion de la vente au détail et de prévision de la demande dans LuckyTemplates
LuckyTemplates Visualisation des données Conseils pour l'analyse des tendances KPI

Conclusion

Vous connaissez maintenant un excellent moyen de décomposer vos visuels. Avec un simple script, vous pouvez commencer à créer des visuels de données de séries chronologiques de saisonnalité, de tendance et résiduelles dans LuckyTemplates et Python .

Avec cette méthode de décomposition de séries chronologiques LuckyTemplates, vous pouvez décrire des données impliquant des tendances de ventes , une croissance et des changements de saisonnalité, ou des événements inattendus. C'est aussi un excellent outil de prévision. Et la meilleure partie est que vous pouvez facilement copier et coller ce script pour toutes les données de séries chronologiques dont vous disposez.