Como decompor facilmente dados de séries temporais do LuckyTemplates

Este blog ensinará como dividir os dados de séries temporais do LuckyTemplates em componentes essenciais. Você pode assistir ao vídeo completo deste tutorial na parte inferior deste blog .

Os dados de séries temporais estão em toda parte, desde medidas de frequência cardíaca até preços unitários de mercadorias em lojas e até mesmo em modelos científicos. Dividir esses dados em partes essenciais pode ser vantajoso, especialmente na preparação de gráficos e apresentações de relatórios.

O método de decomposição de séries temporais deste blog ajudará você a encontrar uma maneira melhor de apresentar dados ao descrever tendências, sazonalidade ou eventos inesperados. Também é um excelente trampolim para previsões no LuckyTemplates .

Índice

• Tipos de Gráficos
• Conjunto de dados de séries temporais do LuckyTemplates
• Script Python
• Decomposição sazonal da série temporal do LuckyTemplates
• Criando visual com dados de séries temporais do LuckyTemplates
• Sazonalidade
• resíduos
• Não redefinir o índice
• Conclusão

Tipos de Gráficos

Na imagem acima existem vários gráficos, incluindo  Actuals ,  Trends ,  Seasonality e  Noise . Uma das melhores coisas sobre esse visual é que há quedas em cada gráfico .

Esse recurso pode ser útil quando você deseja destacar certos fatores cruciais que influenciam as tendências, como renda e ocupação em uma tendência de compra do consumidor. 

O mesmo vale para identificar padrões sazonais , onde eles podem descrever os movimentos de crescimento mensal ou trimestral de uma empresa.

Eles também são excelentes para determinar flutuações de dados , como níveis residuais de ruído para estudos científicos e afins. Por exemplo, podemos ver no gráfico abaixo um aumento nos níveis residuais nos últimos dez anos, o que nos dá uma ideia de uma tendência potencial.

Compreender movimentos de dados complexos ao longo de um período extenso é muito mais fácil quando você os apresenta por meio dos gráficos acima. Digerir todas as informações e reconhecer os padrões e tendências à sua frente é muito mais fácil.

Como resultado, isso melhora o interesse e a conversa em torno de seu relatório ou apresentação de dados. Também ajuda você a entender o que está acontecendo com suas vendas, produção ou qualquer outra coisa.

Conjunto de dados de séries temporais do LuckyTemplates

Mostrarei duas maneiras de quebrar essa série de dados, que foi criada no Python Scrip Editor. Também ensinarei como criar um visual Python usando as mesmas informações. Por fim, darei uma ideia do que você precisa colocar no Power Query.

Abaixo está nosso conjunto de dados de amostra com uma coluna de data mensal de 1985 a 2018 ao lado de uma coluna de valor de produção de uma máquina.

Script Python

Em seguida, iremos ao Python Script Editor e adicionaremos um código às duas colunas do nosso conjunto de dados. O código importará  pandas como pd , uma biblioteca de manipulação de dados e  matplotlib.pylot como plt , que mostra nossos visuais. E para nossa decomposição sazonal, será importado um pacote de  statsmodels  e  tsa.seasonal .

A variável na 4ª linha mostra onde nossos dados são salvos e, na 5ª linha, você verá que alterei o  nome do conjunto de dados  para  df  , pois é mais fácil de escrever. E na 11ª linha, assegurei-me de que a data estava definida para data e hora e, em seguida, fiz do índice a data do dia 12.

Decomposição sazonal da série temporal do LuckyTemplates

Para fazer uma decomposição sazonal, precisamos ter um índice que seja uma série temporal ou um índice de data e hora. Assim, definiremos o índice de dados como a data e a primeira coluna.

Também queremos definir a frequência dos dados em  Month Start  ( MS ) usando a  variável df  juntamente com a  função freq  , conforme mostrado na 13ª linha abaixo.

Finalmente, usamos plt.show para ver o que criamos. E se executarmos isso, teremos o resultado abaixo.

Agora temos nossa decomposição sazonal. E como você pode ver na imagem acima, ele tem nossos  Actuals ,  Trend ,  Seasonality e  Residuals . Esses gráficos fornecerão muitas informações sobre o que está acontecendo com suas vendas ou produção ao longo do tempo.

Criando visual com dados de séries temporais do LuckyTemplates

Vamos voltar à página principal para mostrar como criei esses gráficos nos dados. Em seguida, iremos para Transform e veremos nosso conjunto de dados original abaixo, que é sobre Produção Elétrica.

Como você pode ver, fiz três tabelas para Seasonality , Residuals e Trends . Foi difícil encaixá-los em uma mesa, então os dividi em três. Mas é fácil copiar e colar o código dos nossos dados.

Sazonalidade

Se passarmos para a tabela Produção Elétrica, veremos que ela possui colunas de sazonalidade, data e produção. A coluna de sazonalidade mostrará a flutuação ao longo do tempo. Veremos as etapas para criá-lo.

Se formos para  Applied Steps , você pode ver que já promovi os cabeçalhos e renomeei as colunas, entre outros. O que faremos aqui é clicar na  etapa Run Python Script  .

Como você pode ver na imagem abaixo, fizemos quase a mesma coisa que fizemos para nosso visual quando o criamos em Python Visual. Trouxemos nossas bibliotecas necessárias, incluindo  pandas  e  statsmodels.tsa.seasonal  e a  função sazonal_decompose  .

Também salvamos novamente nossa variável de conjunto de dados como df para facilitar a escrita e criamos uma data. Para garantir que era uma data, isolamos a coluna de data e usamos  pd.to_datetime.  Depois disso, salvamos no  df .

Em seguida, alteramos a frequência para Month Start ( MS ) porque queríamos fornecer essas datas para a  função _decompose sazonal .

Em vez de plotar nossa função, retiramos a parte sazonal, passamos nosso conjunto de dados e usamos . sazonal  apenas para trazer os dados sazonais. Por fim, redefinimos o índice para podermos ver a data novamente.

 Agora, se eu clicar em OK, você pode ver que recebeu o conjunto de dados original e, em seguida, o df que representamos.

Se clicarmos na  Tabela  (destacada na imagem acima) e abri-la, teremos a tabela de sazonalidade da produção abaixo. Se você quiser criar uma tabela semelhante a esta, basta copiar o script que mostrei anteriormente.

resíduos

Agora vamos passar para Residuals, onde a única coisa que mudei foi o método ou o ponto após oseasonal_decompose .

Não redefinir o índice

Se não redefinirmos o índice e clicarmos em OK , nosso script retornará um erro. Portanto, se colocarmos um  #  antes de  df.reset_index  na última linha do nosso script, resultará na tabela abaixo. Como você pode ver na imagem, falta o índice e não há coluna de data.

Assim, precisamos zerar o índice, pois ele retorna a data, que funcionaria como este índice. Portanto, se removermos esse  # , ele me devolverá o quadro de dados, resultando na tabela abaixo, que agora possui uma coluna de data.

E você pode usar o mesmo método para Trend, tornando-o um script realmente fácil que você pode acessar quando quiser.

Relatórios de gerenciamento de estoque para mostrar tendências em vendas
Gerenciamento de varejo e relatórios de previsão de demanda no LuckyTemplates
Dicas de visualização de dados do LuckyTemplates para análise de tendências de KPI

Conclusão

Agora você conhece uma ótima maneira de dividir seus recursos visuais. Com um script simples, você pode começar a criar visuais de dados de série temporal de sazonalidade, tendência e residual no LuckyTemplates e no Python .

Com este método de decomposição de séries temporais do LuckyTemplates, você pode descrever dados envolvendo tendências de vendas , crescimento e mudanças sazonais ou eventos inesperados. Também é uma ótima ferramenta de previsão. E a melhor parte é que você pode facilmente copiar e colar este script para qualquer dado de série temporal que você tiver.