LuckyTemplates 時系列データを簡単に分解する方法

このブログでは、LuckyTemplates 時系列データを重要なコンポーネントに分割する方法を説明します。このチュートリアルのビデオ全体は、このブログの下部でご覧いただけます。

時系列データは、心拍数の測定から店舗の商品の単価、さらには科学モデルに至るまで、あらゆるところに存在します。このデータを重要な部分に分割すると、特にレポートのグラフやプレゼンテーションを作成する場合に有利です。

このブログの時系列分解方法は、傾向、季節性、予期せぬ出来事を説明する際に、データを表現するより良い方法を見つけるのに役立ちます。これは、LuckyTemplates で予測するための優れた足掛かりにもなります。

目次

• グラフの種類
• LuckyTemplates 時系列データ セット
• Python スクリプト
• LuckyTemplates 時系列の季節分解
• LuckyTemplates 時系列データを使用したビジュアルの作成
• 季節性
• 残差
• インデックスをリセットしない
• 結論

グラフの種類

上の画像には、  Actuals、  Trends、  Seasonality、  Noiseを含むいくつかのグラフがあります。このビジュアルの最も優れた点の 1 つは、各グラフにくぼみがあることです。

この機能は、消費者の購買傾向における収入や職業など、傾向に影響を与える特定の重要な要素を強調したい場合に便利です。 

季節パターンの特定にも同じことが当てはまり、企業の月次または四半期ごとの成長の動きを説明できます。

また、科学研究などでノイズ残留レベルなどのデータ変動を判断するのにも優れています。たとえば、以下のグラフでは、過去 10 年間の残留レベルの増加がわかり、潜在的な傾向についての洞察が得られます。

長期間にわたる複雑なデータの動きを上記のグラフで表すと、非常に簡単に理解できます。すべての情報を消化し、目の前にあるパターンや傾向を認識するのははるかに簡単です。

その結果、データ レポートやプレゼンテーションに関する関心と会話が向上します。また、販売や生産などで何が起こっているかを把握するのにも役立ちます。

LuckyTemplates 時系列データ セット

Python Scrip Editor で作成されたこのデータ シリーズを分解する 2 つの方法を示します。同じ情報を使用してPython ビジュアルを作成する方法も説明します。最後に、Power Query に何を入力する必要があるかについて説明します。

以下は、1985 年から 2018 年までの月次日付列と機械の生産額列を含むサンプル データ セットです。

Python スクリプト

次に、Python スクリプト エディターに移動し、データ セットの 2 つの列にコードを追加します。このコードは、データ操作ライブラリである pd としてパンダをインポートし、 ビジュアルを表示するplt として matplotlib.pylot をインポートします 。そして、季節分解では、 statsmodels と tsa.seasonalのパッケージをインポートします 。

4 行目の変数はデータの保存場所を示しています。5 行目では、書きやすいようにデータセット 名をdf に 変更したことがわかります 。11 行目では、日付が date time に設定されていることを確認し、インデックスを 12 日の日付にします。

LuckyTemplates 時系列の季節分解

季節分解を行うには、時系列インデックスまたは日時インデックスが必要です。したがって、データ インデックスを日付と最初の列として設定します。

 また、以下の 13 行目に示すように、freq関数 とともに df 変数を使用して、データの頻度を Month Start  ( MS ) に設定したいと考えています。

最後に、plt.showを使用して、作成したものを確認します。それを実行すると、以下の結果が得られます。

これで、季節分解が完了しました。上の画像からわかるように、  Actuals、  Trend、  Seasonality、  Residualsがあります。これらのグラフは、時間の経過とともに販売や生産に何が起こっているかについての多くの情報を提供します。

LuckyTemplates 時系列データを使用したビジュアルの作成

メイン ページに戻り、データ内でこれらのグラフをどのように作成したかを説明します。次に、 Transformに移動し、電気生産に関する以下の元のデータ セットを確認します。

ご覧のとおり、Seasonality、Residuals、Trendsの 3 つのテーブルを作成しました。一つのテーブルに並べるのが大変だったので、３つに分けました。ただし、データのコードをコピーして貼り付けるのは簡単です。

季節性

電力生産テーブルに移動すると、季節性、日付、生産量の列があることがわかります。季節性列には、時間の経過に伴う変動が表示されます。作成手順を見ていきます。

「適用されたステップ」に進むと 、すでにヘッダーをプロモートし、列の名前などを変更していることがわかります。ここで行うのは、  「Python スクリプトの実行」 ステップをクリックすることです。

以下の画像からわかるように、Python Visual でビジュアルを作成したときに行ったのとほぼ同じことを行いました。pandas  、  statsmodels.tsa.seasonal  、  seasonal_decompose関数など、必要なライブラリを導入しました  。

また、書き込みを容易にするためにデータセット変数をdfとして再保存し、日付を作成しました。それが日付であることを確認するために、日付列を分離し、  pd.to_datetime を使用しました。 その後、それを dfの上に保存しました。

次に、これらの日付をseasonal _decompose関数に渡したいため、 頻度をMonth Start ( MS )に変更しました。

関数をプロットする代わりに、季節部分を抽出し、データセットに渡し、 を使用しました。 季節データを取得するためだけに季節を指定します。最後に、インデックスをリセットして、日付を再度確認できるようにしました。

 ここで「OK」をクリックすると、元のデータセットが与えられ、次に私たちが表すdfが与えられていることがわかります。

[テーブル]  (上の画像で強調表示されている) をクリックし て開くと、以下の生産季節性テーブルが表示されます。これと同様のテーブルを作成したい場合は、前に示したスクリプトをコピーするだけです。

残差

次に、残差に移りましょう。ここで変更したのは、メソッドまたはseasonal_decomposeの後のポイントだけです。

インデックスをリセットしない

インデックスをリセットせずに[OK]をクリックすると、スクリプトはエラーを返します。したがって、スクリプトの最後の行でdf.reset_index の前に  # を置くと 、次の表のようになります。画像からわかるように、インデックスが欠落しており、日付列もありません。

したがって、このインデックスとして機能する日付を返すため、インデックスをリセットする必要があります。 したがって、その#を削除すると、データ フレームが返され、その結果、日付列が追加された以下のテーブルが得られます。

Trend にも同じ方法を使用できるため、いつでもアクセスできる非常に簡単なスクリプトになります。

売上の傾向を示す在庫管理レポート
LuckyTemplates の小売管理および需要予測レポート
KPI 傾向分析のための LuckyTemplates データ視覚化のヒント

結論

これで、ビジュアルを細分化する優れた方法がわかりました。簡単なスクリプトを使用して、LuckyTemplates とPythonで季節性、傾向、残差の時系列データ ビジュアルの作成を開始できます。

この LuckyTemplates 時系列分解メソッドを使用すると、販売傾向、季節性の成長と変化、または予期せぬイベントを含むデータを記述することができます。予測するための優れたツールでもあります。そして最も優れている点は、このスクリプトを簡単にコピーして、任意の時系列データに貼り付けることができることです。