LuckyTemplates 시계열 데이터를 쉽게 분해하는 방법

이 블로그에서는 LuckyTemplates 시계열 데이터를 필수 구성 요소로 분류하는 방법을 알려줍니다. 이 블로그 하단에서 이 튜토리얼의 전체 비디오를 볼 수 있습니다 .

시계열 데이터는 심박수 측정에서 상점 상품의 단가, 심지어 과학적 모델에 이르기까지 어디에나 있습니다. 이 데이터를 필수 부분으로 나누는 것은 특히 보고서 차트 및 프리젠테이션을 준비할 때 유리할 수 있습니다 .

이 블로그의 시계열 분해 방법은 추세, 계절성 또는 예기치 않은 이벤트를 설명할 때 데이터를 표시하는 더 나은 방법을 찾는 데 도움이 됩니다. 또한 LuckyTemplates에서 예측을 위한 훌륭한 디딤돌이기도 합니다 .

목차

• 그래프의 종류
• LuckyTemplates 시계열 데이터 세트
• 파이썬 스크립트
• LuckyTemplates 시계열 계절 분해
• LuckyTemplates 시계열 데이터로 시각적 개체 만들기
• 계절성
• 잔차
• 색인을 재설정하지 않음
• 결론

그래프의 종류

위의 이미지에는  Actuals ,  Trends ,  Seasonality ,  Noise 등 여러 그래프가 있습니다 . 이 시각적 개체의 가장 좋은 점 중 하나는 각 그래프에 딥이 있다는 것입니다 .

이 기능은 소비자 구매 추세에서 소득 및 직업과 같은 추세에 영향을 미치는  중요한 특정 요소를 강조 하고 싶을 때 유용할 수 있습니다 .

회사의 월별 또는 분기별 성장 움직임을 설명할 수 있는 계절적 패턴을 정확히 찾아내는 경우에도 마찬가지입니다 .

또한 과학 연구 등을 위한 잡음 잔류 수준과 같은 데이터 변동을 결정하는 데 탁월합니다 . 예를 들어, 아래 그래프에서 지난 10년 동안 잔존 수준의 증가를 볼 수 있으며 이를 통해 잠재적 추세에 대한 약간의 통찰력을 얻을 수 있습니다.

광범위한 기간에 걸친 복잡한 데이터 이동을 위의 그래프를 통해 제시하면 훨씬 쉽게 이해할 수 있습니다. 모든 정보를 소화하고 눈앞의 패턴과 추세를 인식하는 것이 훨씬 쉽습니다.

결과적으로 데이터 보고서 또는 프레젠테이션에 대한 관심과 대화가 향상됩니다. 또한 판매, 생산 또는 다른 어떤 일이 진행되고 있는지 파악하는 데 도움이 됩니다.

LuckyTemplates 시계열 데이터 세트

Python Scrip Editor에서 생성된 이 데이터 시리즈를 분해하는 두 가지 방법을 보여드리겠습니다. 또한 동일한 정보를 사용하여 Python 비주얼을 만드는 방법도 알려드립니다 . 마지막으로 파워 쿼리에 입력해야 하는 항목에 대한 아이디어를 제공합니다.

아래는 기계의 생산 가치 열과 함께 1985년부터 2018년까지의 월별 날짜 열이 있는 샘플 데이터 세트입니다.

파이썬 스크립트

다음으로 Python Script Editor로 이동하여 데이터 세트의 두 열에 코드를 추가합니다. 이 코드는 pandas를 데이터 조작 라이브러리인  pd로 가져오고  matplotlib.pylot을 plt로 가져와 시각적 개체를 보여줍니다. 계절별 분해를 위해 statsmodels  및  tsa.seasonal 패키지를 가져옵니다  .

4번째 줄의 변수는 데이터가 저장되는 위치를 보여주고 5번째 줄에서는 데이터 세트  이름을 쓰기 쉽도록 df  로  변경한 것을 확인할 수 있습니다  . 그리고 11번째 줄에서 date time으로 날짜가 설정되어 있는지 확인하고 인덱스를 12일 날짜로 했습니다.

LuckyTemplates 시계열 계절 분해

계절별 분해를 수행하려면 시계열 또는 날짜 시간 인덱스인 인덱스가 필요합니다. 따라서 데이터 인덱스를 날짜 및 첫 번째 열로 설정합니다.

 또한 아래 13번째 줄에 표시된 것처럼 freq 함수  와 함께  df 변수를 사용하여 데이터의 빈도를  월 시작  ( MS )  으로 설정하려고 합니다.

마지막으로 plt.show를 사용하여 우리가 만든 것을 확인합니다. 그리고 그것을 실행하면 아래와 같은 결과를 얻게 될 것입니다.

이제 계절 분해가 있습니다. 그리고 위의 이미지에서 볼 수 있듯이 Actuals ,  Trend ,  Seasonality 및  Residuals 가 있습니다  . 이 그래프는 시간이 지남에 따라 판매 또는 생산에 어떤 일이 일어나고 있는지에 대한 많은 정보를 제공합니다.

LuckyTemplates 시계열 데이터로 시각적 개체 만들기

기본 페이지로 돌아가 데이터 내에서 이러한 그래프를 생성한 방법을 보여드리겠습니다. 그런 다음 변환 으로 이동하여 전기 생산에 관한 아래의 원본 데이터 세트를 확인합니다.

보시다시피 Seasonality , Residuals 및 Trends 에 대한 세 개의 테이블을 만들었습니다 . 한 테이블에 모으기가 힘들어서 세 개로 나눴습니다. 그러나 우리 데이터의 코드를 복사하여 붙여넣는 것은 쉽습니다.

계절성

Electric Production 테이블로 이동하면 계절성, 날짜 및 생산 열이 있음을 알 수 있습니다. 계절성 열에는 시간 경과에 따른 변동이 표시됩니다. 만드는 단계를 살펴보겠습니다.

Applied Steps 로 이동하면  이미 머리글을 승격하고 열 이름을 변경한 것을 볼 수 있습니다. 여기서 우리가 할 일은  Run Python Script  단계를 클릭하는 것입니다.

아래 이미지에서 볼 수 있듯이 Python Visual에서 시각적 개체를 만들 때 수행한 것과 거의 동일한 작업을 수행했습니다. pandas  ,  statsmodels.tsa.seasonal  및  seasonal_decompose 함수를 포함하여 필요한 라이브러리를 가져왔습니다   .

또한 더 쉽게 쓰기 위해 데이터 세트 변수를 df 로 다시 저장 하고 날짜를 만들었습니다. 날짜인지 확인하기 위해 날짜 열을 분리한 다음  pd.to_datetime을 사용했습니다. 그 후 df  에 저장했습니다  .

그런 다음 해당 날짜를 계절별 _decompose 함수 에 제공하기 위해  빈도를 월 시작( MS )으로 변경했습니다 .

함수를 플로팅하는 대신 계절 부분을 추출하고 데이터 세트를 전달한 다음 를 사용했습니다.  계절적 데이터를 가져오기 위해 계절적입니다 . 마지막으로 인덱스를 재설정하여 날짜를 다시 볼 수 있습니다.

이제 확인을  클릭하면 원본 데이터 세트와 우리가 나타내는 df가 제공되는 것을 볼 수 있습니다.

테이블  (위 이미지에서 강조 표시됨)을 클릭  하고 열면 아래의 생산 계절성 테이블이 표시됩니다. 이와 유사한 테이블을 생성하려면 앞서 보여드린 스크립트를 복사하기만 하면 됩니다.

잔차

이제 내가 변경한 유일한 것이 seasonal_decompose 이후의 지점 또는 방법인 Residuals로 이동하겠습니다 .

색인을 재설정하지 않음

색인을 재설정하지 않고 확인을 클릭하면 스크립트에서 오류가 반환됩니다. 따라서 스크립트의 마지막 줄에서 df.reset_index 앞에   #을  넣으면  아래 표가 됩니다. 이미지에서 볼 수 있듯이 인덱스가 누락되고 날짜 열이 없습니다.

따라서 이 인덱스로 작동하는 날짜를 반환하기 때문에 인덱스를 재설정해야 합니다.  따라서 해당 # 을 제거하면 데이터 프레임이 다시 제공되어 이제 날짜 열이 있는 아래 테이블이 생성됩니다.

그리고 Trend에 대해 동일한 방법을 사용할 수 있으므로 원할 때 언제든지 액세스할 수 있는 정말 쉬운 스크립트가 됩니다.

판매 추세를 표시하는 재고 관리 보고서
소매 관리 및 LuckyTemplates의 수요 예측 보고서
LuckyTemplates 데이터 시각화 KPI 추세 분석을 위한 팁

결론

이제 시각 자료를 분해하는 훌륭한 방법을 알았습니다. 간단한 스크립트를 사용하여 LuckyTemplates 및 Python 에서 계절성, 추세 및 잔여 시계열 데이터 시각적 개체 만들기를 시작할 수 있습니다 .

이 LuckyTemplates 시계열 분해 방법을 사용하면 판매 추세 , 계절성 증가 및 변경 또는 예기치 않은 이벤트와 관련된 데이터를 설명할 수 있습니다. 예측을 위한 훌륭한 도구이기도 합니다. 가장 좋은 점은 가지고 있는 모든 시계열 데이터에 대해 이 스크립트를 쉽게 복사하여 붙여넣을 수 있다는 것입니다.