Hoe LuckyTemplates Time Series-gegevens gemakkelijk kunnen worden ontleed

In deze blog leert u hoe u LuckyTemplates-tijdreeksgegevens kunt opsplitsen in essentiële componenten. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken .

Tijdreeksgegevens zijn overal, van hartslagmetingen tot eenheidsprijzen van winkelartikelen, en zelfs in wetenschappelijke modellen. Het opsplitsen van deze gegevens in essentiële onderdelen kan voordelig zijn, vooral bij het opstellen van rapportgrafieken en presentaties.

De tijdreeksontledingsmethode van deze blog helpt je een betere manier te vinden om gegevens te presenteren bij het beschrijven van trends, seizoensinvloeden of onverwachte gebeurtenissen. Het is ook een geweldige opstap voor prognoses in LuckyTemplates .

Inhoudsopgave

• Soorten grafieken
• LuckyTemplates Time Series-gegevensset
• Python-script
• LuckyTemplates Time Series Seizoensgebonden ontleding
• Visueel maken met LuckyTemplates Time Series-gegevens
• Seizoensgebondenheid
• Residuen
• De index niet resetten
• Conclusie

Soorten grafieken

In de afbeelding hierboven staan ​​verschillende grafieken, waaronder  Actuals ,  Trends ,  Seasonality en  Noise . Een van de beste dingen van deze visual is dat er dalingen zijn in elke grafiek .

Deze functie kan handig zijn wanneer u bepaalde cruciale factoren wilt benadrukken die trends beïnvloeden, zoals inkomen en beroep in een kooptrend van consumenten. 

Hetzelfde geldt voor het lokaliseren van seizoenspatronen , waar ze de maandelijkse of driemaandelijkse groeibewegingen van een bedrijf kunnen beschrijven.

Ze zijn ook uitstekend geschikt voor het bepalen van gegevensfluctuaties zoals geluidsresiduniveaus voor wetenschappelijke studies en dergelijke. Zo zien we in onderstaande grafiek een stijging van de restniveaus over de laatste tien jaar, wat ons een beetje inzicht geeft in een mogelijke trend.

Het begrijpen van complexe gegevensbewegingen gedurende een lange periode is veel gemakkelijker wanneer u ze presenteert via de bovenstaande grafieken. Het verwerken van alle informatie en het herkennen van de patronen en trends die voor je liggen, is een stuk eenvoudiger.

Als gevolg hiervan verbetert dat de interesse en conversatie rond uw gegevensrapport of presentatie. Het helpt u ook te begrijpen wat er gaande is met uw verkoop, productie of iets anders.

LuckyTemplates Time Series-gegevensset

Ik zal je twee manieren laten zien om deze gegevensreeks op te splitsen, die is gemaakt in Python Scrip Editor. Ik zal je ook leren hoe je een Python-visual kunt maken met dezelfde informatie. Ten slotte zal ik u een idee geven van wat u in de Power Query moet invoeren.

Hieronder vindt u onze voorbeeldgegevensset met een maandelijkse datumkolom van 1985 tot 2018 naast een productiewaardekolom van een machine.

Python-script

Vervolgens gaan we naar Python Script Editor en voegen we een code toe aan de twee kolommen van onze dataset. De code importeert  panda's als pd , een bibliotheek voor gegevensmanipulatie en  matplotlib.pylot als plt , die onze visuals laat zien. En voor onze seizoensgebonden ontleding zal het een pakket  statsmodels  en  tsa.seasonal importeren .

De variabele in de 4e regel laat zien waar onze gegevens zijn opgeslagen, en in de 5e regel zul je zien dat ik de naam van onze  dataset  heb gewijzigd in  df  omdat het gemakkelijker te schrijven is. En in de 11e regel zorgde ik ervoor dat de datum was ingesteld voor datumtijd en maakte vervolgens de index de datum op de 12e.

LuckyTemplates Time Series Seizoensgebonden ontleding

Om een ​​seizoensgebonden ontleding uit te voeren, hebben we een index nodig die een tijdreeks of een datum-tijdindex is. We stellen dus de gegevensindex in als de datum en de eerste kolom.

We willen ook de frequentie van de gegevens instellen in  Month Start  ( MS ) met behulp van de  df-variabele  naast de  freq-  functie, zoals weergegeven in de 13e regel hieronder.

Ten slotte gebruiken we plt.show om te zien wat we hebben gemaakt. En als we dat uitvoeren, hebben we het onderstaande resultaat.

Nu hebben we onze seizoensgebonden ontbinding. En zoals je kunt zien op de afbeelding hierboven, heeft het onze  Actuals ,  Trend ,  Seasonality en  Residuals . Deze grafieken geven u voldoende informatie over wat er gaande is met uw verkopen of productie in de loop van de tijd.

Visueel maken met LuckyTemplates Time Series-gegevens

Laten we teruggaan naar die hoofdpagina, zodat ik je kan laten zien hoe ik deze grafieken binnen de gegevens heb gemaakt. Daarna gaan we naar Transform en bekijken we onze originele dataset hieronder, die gaat over elektrische productie.

Zoals je kunt zien, heb ik drie tabellen gemaakt voor Seasonality , Residuals en Trends . Het was moeilijk om ze op één tafel te passen, dus heb ik ze in drieën gebroken. Maar het is gemakkelijk om de code van onze gegevens te kopiëren en te plakken.

Seizoensgebondenheid

Als we naar de tabel Elektrische productie gaan, ziet u dat deze kolommen voor seizoensinvloeden, datum en productie heeft. De seizoenskolom toont de fluctuatie in de loop van de tijd. We zullen de stappen doorlopen om het te maken.

Als we naar de  Applied Steps gaan , kun je zien dat ik onder andere de headers al heb gepromoveerd en de kolommen een andere naam heb gegeven. Wat we hier zullen doen, is klikken op de  stap Python-script uitvoeren  .

Zoals je in de onderstaande afbeelding kunt zien, hebben we bijna hetzelfde gedaan als voor onze visual toen we deze in Python Visual maakten. We hebben de benodigde bibliotheken toegevoegd, waaronder  panda's  en  statsmodels.tsa.seasonal  en de   functie season_decompose .

We hebben ook onze datasetvariabele opnieuw opgeslagen als df om gemakkelijker te kunnen schrijven en hebben een datum gemaakt. Om er zeker van te zijn dat het een datum was, hebben we de datumkolom geïsoleerd en vervolgens  pd.to_datetime gebruikt.  Daarna hebben we het opgeslagen via de  df .

Daarna veranderden we de frequentie in Month Start ( MS ) omdat we die datums wilden geven aan de  seizoensfunctie _decompose .

In plaats van onze functie uit te zetten, hebben we het seizoensgedeelte eruit gehaald, onze dataset doorgegeven en gebruikt. seizoensgebonden  alleen om de seizoensgegevens naar voren te brengen. Ten slotte hebben we de index gereset zodat we de datum weer konden zien.

 Als ik nu op OK klik, kun je zien dat je de originele dataset krijgt en vervolgens de df waar we voor staan.

Als we op Tabel  klikken  (gemarkeerd in de afbeelding hierboven) en deze openen, krijgen we de onderstaande productie-seizoenstabel. Als je een tabel wilt maken die lijkt op deze, kopieer dan gewoon het script dat ik je eerder heb laten zien.

Residuen

Laten we nu naar de Residuals gaan waar het enige dat ik heb veranderd de methode of het punt na de season_decompose was .

De index niet resetten

Als we de index niet resetten en op OK klikken , geeft ons script een foutmelding.  Dus als we een #  voor  df.reset_index plaatsen  in de laatste regel van ons script, resulteert dit in de onderstaande tabel. Zoals u op de afbeelding kunt zien, ontbreekt de index en is er geen datumkolom.

We moeten dus de index opnieuw instellen omdat deze de datum retourneert, die zou werken als deze index. Dus als we die  # verwijderen , krijg ik het dataframe terug, wat resulteert in de onderstaande tabel, die nu een datumkolom heeft.

En u kunt dezelfde methode gebruiken voor Trend, waardoor het een heel eenvoudig script is dat u op elk gewenst moment kunt openen.

Voorraadbeheerrapporten om trends in verkoop weer te geven
Retailbeheer en vraagvoorspellingsrapporten in LuckyTemplates
LuckyTemplates Datavisualisatie Tips voor KPI-trendanalyse

Conclusie

Nu weet je een geweldige manier om je visuals op te splitsen. Met een eenvoudig script kunt u beginnen met het maken van seizoens-, trend- en resttijdreeksgegevensvisuals in LuckyTemplates en Python .

Met deze decompositiemethode voor LuckyTemplates-tijdreeksen kunt u gegevens beschrijven over verkooptrends , seizoensgroei en -veranderingen, of onverwachte gebeurtenissen. Het is ook een geweldig hulpmiddel voor prognoses. En het beste is dat u dit script eenvoudig kunt kopiëren en plakken voor alle tijdreeksgegevens die u heeft.