Come scomporre facilmente i dati delle serie storiche di LuckyTemplates

Questo blog ti insegnerà come suddividere i dati delle serie temporali di LuckyTemplates in componenti essenziali. Puoi guardare il video completo di questo tutorial in fondo a questo blog .

I dati delle serie temporali sono ovunque, dalle misurazioni della frequenza cardiaca ai prezzi unitari dei prodotti dei negozi e persino nei modelli scientifici. Suddividere questi dati in parti essenziali può essere vantaggioso, soprattutto nella preparazione di grafici e presentazioni di report.

Il metodo di scomposizione delle serie temporali di questo blog ti aiuterà a trovare un modo migliore per presentare i dati quando descrivi tendenze, stagionalità o eventi imprevisti. È anche un ottimo trampolino di lancio per le previsioni in LuckyTemplates .

Sommario

• Tipi di grafici
• Set di dati di serie temporali di LuckyTemplates
• Script Python
• Scomposizione stagionale delle serie storiche di LuckyTemplates
• Creazione di oggetti visivi con dati di serie temporali di LuckyTemplates
• Stagionalità
• Residui
• Non reimpostare l'indice
• Conclusione

Tipi di grafici

Nell'immagine sopra sono presenti diversi grafici, tra cui  Actuals ,  Trends ,  Seasonality e  Noise . Uno degli aspetti migliori di questa immagine è che ci sono cali in ogni grafico .

Questa funzione può tornare utile quando si desidera evidenziare alcuni fattori cruciali che influenzano le tendenze, come il reddito e l'occupazione in una tendenza all'acquisto dei consumatori. 

Lo stesso vale per l'individuazione di modelli stagionali , in cui possono descrivere i movimenti di crescita mensili o trimestrali di un'azienda.

Sono anche eccellenti per determinare le fluttuazioni dei dati come i livelli residui di rumore per studi scientifici e simili. Ad esempio, possiamo vedere nel grafico sottostante un aumento dei livelli residui negli ultimi dieci anni, che ci dà un'idea di una potenziale tendenza.

Comprendere movimenti di dati complessi durante un lungo periodo è molto più facile quando li presenti attraverso i grafici sopra. Digerire tutte le informazioni e riconoscere i modelli e le tendenze di fronte a te è molto più semplice.

Di conseguenza, ciò migliora l'interesse e la conversazione che circonda il report o la presentazione dei dati. Ti aiuta anche a capire cosa sta succedendo con le tue vendite, la produzione o qualcos'altro.

Set di dati di serie temporali di LuckyTemplates

Ti mostrerò due modi per scomporre questa serie di dati, che è stata creata in Python Script Editor. Ti insegnerò anche come creare un oggetto visivo Python usando le stesse informazioni. Infine, ti darò un'idea di ciò che devi inserire nella Power Query.

Di seguito è riportato il nostro set di dati di esempio con una colonna di date mensili dal 1985 al 2018 accanto a una colonna del valore di produzione di una macchina.

Script Python

Successivamente, andremo su Python Script Editor e aggiungeremo un codice alle due colonne del nostro set di dati. Il codice importerà  panda come pd , una libreria per la manipolazione dei dati e  matplotlib.pylot come plt , che mostra i nostri elementi visivi. E per la nostra decomposizione stagionale, importerà un pacchetto di  statsmodels  e  tsa.seasonal .

La variabile nella quarta riga mostra dove sono salvati i nostri dati e nella quinta riga scoprirai che ho cambiato il nome del nostro  set di dati  in  df  poiché è più facile da scrivere. E nell'undicesima riga, mi sono assicurato che la data fosse impostata per la data e l'ora e poi ho reso l'indice la data del 12.

Scomposizione stagionale delle serie storiche di LuckyTemplates

Per eseguire una scomposizione stagionale, dobbiamo disporre di un indice che sia una serie temporale o un indice di data e ora. Pertanto, imposteremo l'indice dei dati come la data e la prima colonna.

Vogliamo anche impostare la frequenza dei dati in  Month Start  ( MS ) utilizzando la  variabile df  insieme alla  funzione freq  , come mostrato nella tredicesima riga sottostante.

Infine, usiamo plt.show per vedere cosa abbiamo creato. E se lo eseguiamo, avremo il risultato qui sotto.

Ora abbiamo la nostra decomposizione stagionale. E come puoi vedere dall'immagine sopra, ha i nostri  Actuals ,  Trend ,  Seasonality e  Residuals . Questi grafici ti daranno molte informazioni su cosa sta succedendo con le tue vendite o la tua produzione nel tempo.

Creazione di oggetti visivi con dati di serie temporali di LuckyTemplates

Torniamo alla pagina principale così posso mostrarvi come ho creato questi grafici all'interno dei dati. Quindi andremo su Transform e vedremo il nostro set di dati originale di seguito, che riguarda la produzione elettrica.

Come puoi vedere, ho creato tre tabelle per Stagionalità , Residui e Tendenze . È stato difficile metterli insieme su un tavolo, quindi li ho divisi in tre. Ma è facile copiare e incollare il codice dei nostri dati.

Stagionalità

Se passiamo alla tabella Produzione elettrica, vedrai che ha le colonne stagionalità, data e produzione. La colonna della stagionalità mostrerà la fluttuazione nel tempo. Esamineremo i passaggi per crearlo.

Se ci dirigiamo verso  Applied Steps , puoi vedere che ho già promosso le intestazioni e rinominato le colonne, tra le altre cose. Quello che faremo qui è fare clic sul  passaggio Esegui script Python  .

Come puoi vedere nell'immagine qui sotto, abbiamo fatto quasi la stessa cosa che abbiamo fatto per il nostro oggetto visivo quando lo abbiamo creato in Python Visual. Abbiamo introdotto le nostre librerie necessarie, inclusi  panda  e  statsmodels.tsa.seasonal  e la   funzione season_decompose .

Abbiamo anche salvato nuovamente la nostra variabile del set di dati come df per facilitare la scrittura e creato una data. Per assicurarci che fosse una data, abbiamo isolato la colonna della data e quindi utilizzato  pd.to_datetime.  Successivamente, l'abbiamo salvato nel  file df .

Quindi abbiamo cambiato la frequenza in Month Start ( MS ) perché volevamo assegnare quelle date alla  funzione stagionale _decompose .

Invece di tracciare la nostra funzione, abbiamo estratto la parte stagionale, passato il nostro set di dati e utilizzato . stagionale  solo per far emergere i dati stagionali. Infine, reimpostiamo l'indice in modo da poter vedere di nuovo la data.

 Ora, se faccio clic su OK, puoi vedere che ti viene fornito il set di dati originale e quindi il df che rappresentiamo.

Se clicchiamo su  Tabella  (evidenziata nell'immagine sopra) e la apriamo, otterremo di seguito la tabella della stagionalità della produzione. Se vuoi creare una tabella simile a questa, copia lo script che ti ho mostrato prima.

Residui

Ora passiamo ai Residuals dove l'unica cosa che ho cambiato è stato il metodo o il punto dopo season_decompose .

Non reimpostare l'indice

Se non resettiamo l'indice e facciamo clic su OK , il nostro script restituirà un errore. Quindi, se mettiamo un  #  prima di  df.reset_index  nell'ultima riga del nostro script, il risultato sarà la tabella sottostante. Come puoi vedere nell'immagine, manca l'indice e non c'è la colonna della data.

Pertanto, dobbiamo reimpostare l'indice perché restituisce la data, che funzionerebbe come questo indice. Quindi, se rimuoviamo quel  # , mi restituirà il frame di dati, risultando nella tabella sottostante, che ora ha una colonna data.

E puoi utilizzare lo stesso metodo per Trend, rendendolo uno script davvero semplice a cui puoi accedere ogni volta che vuoi.

Report sulla gestione dell'inventario per mostrare le tendenze nelle vendite
Retail Management e report sulla previsione della domanda in LuckyTemplates
Suggerimenti per la visualizzazione dei dati di LuckyTemplates per l'analisi delle tendenze KPI

Conclusione

Ora conosci un ottimo modo per abbattere le tue immagini. Con un semplice script, puoi iniziare a creare oggetti visivi di dati di serie temporali di stagionalità, tendenza e residui in LuckyTemplates e Python .

Con questo metodo di scomposizione delle serie temporali di LuckyTemplates, puoi descrivere i dati relativi alle tendenze delle vendite , alla crescita e ai cambiamenti della stagionalità o agli eventi imprevisti. È anche un ottimo strumento per le previsioni. E la parte migliore è che puoi facilmente copiare e incollare questo script per qualsiasi dato di serie temporali che hai.