Как легко разложить данные временных рядов LuckyTemplates

В этом блоге вы узнаете, как разбить данные временных рядов LuckyTemplates на основные компоненты. Вы можете посмотреть полное видео этого урока внизу этого блога .

Данные временных рядов есть везде, от показателей частоты сердечных сокращений до цен на товары в магазинах и даже в научных моделях. Разбиение этих данных на основные части может быть полезным, особенно при подготовке диаграмм и презентаций отчетов.

Метод декомпозиции временных рядов в этом блоге поможет вам найти лучший способ представления данных при описании тенденций, сезонности или неожиданных событий. Это также отличный трамплин для прогнозирования в LuckyTemplates .

Оглавление

• Типы графиков
• Набор данных временных рядов LuckyTemplates
• Скрипт Python
• Сезонная декомпозиция временных рядов LuckyTemplates
• Создание визуального элемента с данными временных рядов LuckyTemplates
• Сезонность
• Остатки
• Не сбрасывать индекс
• Заключение

Типы графиков

На изображении выше есть несколько графиков, в том числе  Actuals ,  Trends ,  Seasonality и  Noise . Одна из лучших особенностей этого визуального элемента заключается в том, что на каждом графике есть провалы .

Эта функция может пригодиться, когда вы хотите выделить определенные важные факторы , влияющие на тенденции, такие как доход и профессия в тренде потребительских покупок. 

То же самое касается выявления сезонных закономерностей , когда они могут описывать ежемесячные или квартальные движения компании.

Они также отлично подходят для определения флуктуаций данных , таких как уровни остаточного шума для научных исследований и т.п. Например, на графике ниже мы можем видеть увеличение остаточных уровней за последние десять лет, что дает нам некоторое представление о потенциальной тенденции.

Понимание сложных перемещений данных в течение длительного периода становится намного проще, если вы представляете их с помощью приведенных выше графиков. Усваивать всю информацию и распознавать закономерности и тенденции перед вами намного проще.

В результате это повышает интерес и разговоры, связанные с вашим отчетом или презентацией данных. Это также поможет вам понять, что происходит с вашими продажами, производством или чем-то еще.

Набор данных временных рядов LuckyTemplates

Я покажу вам два способа разбить этот ряд данных, созданный в редакторе сценариев Python. Я также научу вас, как создать визуализацию Python , используя ту же информацию. Наконец, я дам вам представление о том, что вам нужно добавить в Power Query.

Ниже приведен пример набора данных со столбцом ежемесячных дат с 1985 по 2018 год, а также столбцом стоимости производства машины.

Скрипт Python

Затем мы перейдем в редактор сценариев Python и добавим код в два столбца нашего набора данных. Код будет импортировать  pandas как pd , библиотеку обработки данных, и  matplotlib.pylot как plt , который показывает наши визуальные эффекты. А для нашей сезонной декомпозиции он будет импортировать пакет  statsmodels  и  tsa.seasonal .

Переменная в 4-й строке показывает, где хранятся наши данные, а в 5-й строке вы обнаружите, что я изменил имя нашего  набора данных  на  df  , так как его легче писать. И в 11-й строке я убедился, что дата была установлена ​​​​для даты и времени, а затем сделал индекс датой 12-го числа.

Сезонная декомпозиция временных рядов LuckyTemplates

Чтобы выполнить сезонную декомпозицию, нам нужен индекс, представляющий собой временной ряд или индекс даты и времени. Таким образом, мы установим индекс данных как дату и первый столбец.

Мы также хотим установить частоту данных в  начале месяца  ( MS ), используя  переменную df  вместе с  функцией freq  , как показано в 13-й строке ниже.

Наконец, мы используем plt.show , чтобы увидеть, что мы создали. И если мы запустим это, мы получим результат ниже.

Теперь у нас есть сезонное разложение. И, как вы можете видеть на изображении выше, у него есть  фактические значения ,  тенденция ,  сезонность и  остатки . Эти графики дадут вам много информации о том, что происходит с вашими продажами или производством с течением времени.

Создание визуального элемента с данными временных рядов LuckyTemplates

Давайте вернемся на эту главную страницу, чтобы я мог показать вам, как я создал эти графики в данных. Затем мы перейдем к преобразованию и увидим наш исходный набор данных ниже, который касается производства электроэнергии.

Как видите, я сделал три таблицы для Seasonality , Residuals и Trends . Было сложно разместить их вместе на одном столе, поэтому я разбил их на три. Но легко скопировать и вставить код наших данных.

Сезонность

Если мы перейдем к таблице «Производство электроэнергии», вы увидите, что в ней есть столбцы сезонности, даты и производства. Столбец сезонности покажет колебания во времени. Мы рассмотрим этапы его создания.

Если мы перейдем к  Applied Steps , вы увидите, что я уже продвинул заголовки и переименовал столбцы, среди прочего. Что мы сделаем здесь, так это щелкнем  шаг «Выполнить скрипт Python»  .

Как вы можете видеть на изображении ниже, мы сделали почти то же самое, что и для нашего визуального элемента, когда создавали его в Python Visual. Мы добавили необходимые библиотеки, в том числе  pandas  и  statsmodels.tsa.seasonal  , а также  функцию Season_decompose  .

Мы также повторно сохранили нашу переменную набора данных как df для более удобного написания и создали дату. Чтобы убедиться, что это дата, мы изолировали столбец даты, а затем использовали  pd.to_datetime.  После этого мы сохранили его поверх  df .

Затем мы изменили частоту на «Начало месяца» ( MS ), потому что хотели передать эти даты  функции сезонного _decompose .

Вместо построения графика нашей функции мы извлекли сезонную часть, передали наш набор данных и использовали . сезонный  только для того, чтобы вывести сезонные данные. Наконец, мы сбрасываем индекс, чтобы снова увидеть дату.

 Теперь, если я нажму OK, вы увидите, что вам дан исходный набор данных, а затем df , который мы обозначаем.

Если мы нажмем на  Таблицу  (выделено на изображении выше) и откроем ее, мы получим приведенную ниже таблицу сезонности производства. Если вы хотите создать таблицу, подобную этой, просто скопируйте сценарий, который я показал вам ранее.

Остатки

Теперь давайте перейдем к Residuals, где единственное, что я изменил, — это метод или точка после Season_decompose .

Не сбрасывать индекс

Если мы не сбросим индекс и не нажмем OK , наш скрипт вернет ошибку. Поэтому, если мы поместим  #  перед  df.reset_index  в последней строке нашего скрипта, это приведет к таблице ниже. Как вы можете видеть на изображении, индекс отсутствует и нет столбца даты.

Таким образом, нам нужно сбросить индекс, потому что он возвращает дату, которая будет работать как этот индекс. Поэтому, если мы удалим этот  # , он вернет мне фрейм данных, в результате чего появится таблица ниже, в которой теперь есть столбец даты.

И вы можете использовать тот же метод для Trend, что делает его очень простым скриптом, к которому вы можете получить доступ в любое время.

Отчеты об управлении запасами для отображения тенденций в продажах
Отчеты об управлении розничной торговлей и прогнозировании спроса в LuckyTemplates
Советы по визуализации данных LuckyTemplates для анализа тенденций KPI

Заключение

Теперь вы знаете отличный способ разбить ваши визуальные эффекты. С помощью простого скрипта вы можете приступить к созданию визуальных элементов временных рядов сезонности, тренда и остатка в LuckyTemplates и Python .

С помощью этого метода декомпозиции временных рядов LuckyTemplates вы можете описывать данные, связанные с тенденциями продаж , сезонным ростом и изменениями или неожиданными событиями. Это также отличный инструмент для прогнозирования. И самое приятное то, что вы можете легко скопировать и вставить этот скрипт для любых имеющихся у вас временных рядов.