วิธีแยกย่อยข้อมูลอนุกรมเวลาของ LuckyTemplates อย่างง่ายดาย

บล็อกนี้จะสอนวิธีแบ่งข้อมูลอนุกรมเวลาของ LuckyTemplates ออกเป็นส่วนประกอบที่จำเป็น คุณสามารถดูวิดีโอทั้งหมดของบทช่วยสอนนี้ได้ที่ด้านล่างของบล็อกนี้

ข้อมูลอนุกรมเวลามีอยู่ทุกที่ ตั้งแต่การวัดอัตราการเต้นของหัวใจไปจนถึงราคาต่อหน่วยของสินค้าในร้านค้า และแม้กระทั่งในแบบจำลองทางวิทยาศาสตร์ การแบ่งข้อมูลนี้ออกเป็นส่วนที่สำคัญจะเป็นประโยชน์ โดยเฉพาะอย่างยิ่งในการจัดทำแผนภูมิรายงานและงานนำเสนอ

วิธีการจำแนกอนุกรมเวลาของบล็อกนี้จะช่วยให้คุณพบวิธีที่ดียิ่งขึ้นในการนำเสนอข้อมูลเมื่ออธิบายถึงแนวโน้ม ฤดูกาล หรือเหตุการณ์ที่ไม่คาดคิด นอกจากนี้ยังเป็นก้าวย่างที่ยอดเยี่ยมสำหรับการคาดการณ์ใน LuckyTemplates

สารบัญ

• ประเภทของกราฟ
• ชุดข้อมูล LuckyTemplates Time Series
• สคริปต์ Python
• LuckyTemplates Time Series Seasonal Decompose
• การสร้างวิชวลด้วยข้อมูลอนุกรมเวลาของ LuckyTemplates
• ฤดูกาล
• สารตกค้าง
• ไม่รีเซ็ตดัชนี
• บทสรุป

ประเภทของกราฟ

ในภาพด้านบนมีกราฟหลายกราฟ  ได้แก่  ข้อมูล  จริงแนวโน้มฤดูกาลและ  สัญญาณรบกวน หนึ่งในสิ่งที่ดี ที่สุดเกี่ยวกับภาพนี้คือมีการลดลงในแต่ละกราฟ

คุณลักษณะนี้มีประโยชน์เมื่อคุณต้องการเน้นปัจจัยสำคัญบางอย่างที่มีอิทธิพลต่อแนวโน้ม เช่น รายได้และอาชีพในแนวโน้มการซื้อของผู้บริโภค 

เช่นเดียวกับการระบุรูปแบบตามฤดูกาลซึ่งสามารถอธิบายความเคลื่อนไหวการเติบโตรายเดือนหรือรายไตรมาสของบริษัทได้

นอกจากนี้ยังยอดเยี่ยมสำหรับการพิจารณาความผันผวนของข้อมูลเช่น ระดับเสียงตกค้างสำหรับการศึกษาทางวิทยาศาสตร์ และอื่นๆ ตัวอย่างเช่น เราสามารถเห็นในกราฟด้านล่างการเพิ่มขึ้นของระดับคงเหลือในช่วง 10 ปีที่ผ่านมา ซึ่งให้ข้อมูลเชิงลึกเล็กน้อยเกี่ยวกับแนวโน้มที่อาจเกิดขึ้น

การทำความเข้าใจการเคลื่อนที่ของข้อมูลที่ซับซ้อนตลอดช่วงเวลาที่ยาวนานจะง่ายขึ้นมากเมื่อคุณนำเสนอผ่านกราฟด้านบน การย่อยข้อมูลทั้งหมดและจดจำรูปแบบและแนวโน้มที่อยู่ตรงหน้าคุณนั้นง่ายกว่ามาก

เป็นผลให้ปรับปรุงความสนใจและการสนทนารอบรายงานข้อมูลหรืองานนำเสนอของคุณ นอกจากนี้ยังช่วยให้คุณเข้าใจว่าเกิดอะไรขึ้นกับการขาย การผลิต หรืออื่นๆ ของคุณ

ชุดข้อมูล LuckyTemplates Time Series

ฉันจะแสดงให้คุณเห็นสองวิธีในการแบ่งชุดข้อมูลนี้ ซึ่งสร้างขึ้นใน Python Scrip Editor ฉันจะสอนวิธีสร้างภาพ Pythonโดยใช้ข้อมูลเดียวกัน สุดท้าย ฉันจะให้แนวคิดเกี่ยวกับสิ่งที่คุณต้องใส่ลงใน Power Query

ด้านล่างนี้คือชุดข้อมูลตัวอย่างของเราที่มีคอลัมน์วันที่รายเดือนตั้งแต่ปี 1985 ถึง 2018 ข้างคอลัมน์มูลค่าการผลิตของเครื่องจักร

สคริปต์ Python

ต่อไป เราจะไปที่ Python Script Editor และเพิ่มโค้ดลงในสองคอลัมน์ของชุดข้อมูลของเรา รหัสจะนำเข้า  แพนด้าเป็น pdไลบรารีการจัดการข้อมูล และ  matplotlib.pylot เป็น pltซึ่งแสดงภาพของเรา และสำหรับการย่อยสลายตาม ฤดูกาลของเรา มันจะนำเข้าแพ็คเกจของ  statsmodels  และ  tsa.seasonal

ตัวแปรในบรรทัดที่ 4 แสดงตำแหน่งที่บันทึกข้อมูลของเรา และในบรรทัดที่ 5 คุณจะพบว่าฉันเปลี่ยน  ชื่อ ชุดข้อมูล เป็น  df เนื่องจากเขียนได้ง่ายขึ้น และในบรรทัดที่ 11 ฉันแน่ใจว่าวันที่ถูกตั้งค่าเป็นวันที่และจากนั้นจึงสร้างดัชนีเป็นวันที่ในวันที่ 12

LuckyTemplates Time Series Seasonal Decompose

ในการแยกย่อยตามฤดูกาล เราจำเป็นต้องมีดัชนีที่เป็นอนุกรมเวลาหรือดัชนีวันที่และเวลา ดังนั้น เราจะตั้งค่าดัชนีข้อมูลเป็นวันที่และคอลัมน์แรก

เรายังต้องการตั้งค่าความถี่ของข้อมูลเป็น  เดือนเริ่มต้น  ( MS ) โดยใช้  ตัวแปร df  ควบคู่ไปกับ  ฟังก์ชัน freq  ดังแสดงในบรรทัดที่ 13 ด้านล่าง

สุดท้าย เราใช้plt.showเพื่อดูสิ่งที่เราสร้างขึ้น และถ้าเราเรียกใช้เราจะได้ผลลัพธ์ด้านล่าง

ตอนนี้เรามีการย่อยสลายตามฤดูกาลของเรา และอย่าง ที่  คุณเห็นจากภาพด้านบน มันมี  ข้อมูลจริง  แนวโน้มฤดูกาลและส่วน  ที่เหลือ กราฟเหล่านี้จะให้ข้อมูลมากมายเกี่ยวกับสิ่งที่เกิดขึ้นกับการขายหรือการผลิตของคุณเมื่อเวลาผ่านไป

การสร้างวิชวลด้วยข้อมูลอนุกรมเวลาของ LuckyTemplates

กลับไปที่หน้าหลักนั้น เพื่อที่ฉันจะแสดงให้คุณเห็นว่าฉันสร้างกราฟเหล่านี้ภายในข้อมูลได้อย่างไร จากนั้นเราจะไปที่การแปลงและดูชุดข้อมูลเดิมของเราด้านล่าง ซึ่งเกี่ยวกับการผลิตไฟฟ้า

อย่าง ที่คุณเห็น ฉันสร้างตารางสามตารางสำหรับSeasonality , ResidualsและTrends มันยากที่จะรวมพวกเขาเข้าด้วยกันบนโต๊ะเดียว ดังนั้นฉันจึงแบ่งมันออกเป็นสามส่วน แต่การคัดลอกและวางโค้ดข้อมูลของเรานั้นทำได้ง่าย

ฤดูกาล

หากเราย้ายไปที่ตารางการผลิตไฟฟ้า คุณจะเห็นว่ามีคอลัมน์ฤดูกาล วันที่ และการผลิต คอลัมน์ฤดูกาลจะแสดงความผันผวนเมื่อเวลาผ่านไป เราจะพูดถึงขั้นตอนการสร้างมัน

หากเราตรงไปที่  ขั้นตอนที่ใช้คุณจะเห็นว่าฉันได้เลื่อนระดับส่วนหัวและเปลี่ยนชื่อคอลัมน์แล้ว และอื่นๆ สิ่งที่เราจะทำคือคลิกที่   ขั้นตอนRun Python Script

ดังที่คุณเห็นในภาพด้านล่าง เราทำเกือบจะเหมือนกับที่เราทำกับวิชวลของเราเมื่อเราสร้างมันใน Python Visual เราได้นำไลบรารี่ที่จำเป็นของเราเข้ามา รวมถึง  pandas  และ  statsmodels.tsa.seasonal  และ   ฟังก์ชันseasonal_decompose

เรายังบันทึกตัวแปรชุดข้อมูลของเราใหม่เป็นdfเพื่อให้เขียนและสร้างวันที่ได้ง่ายขึ้น เพื่อให้แน่ใจว่าเป็นวันที่ เราจึงแยกคอลัมน์วันที่แล้วใช้  pd.to_datetime  หลังจากนั้นเราก็บันทึกไว้  ในdf

จากนั้นเราเปลี่ยนความถี่เป็นเดือนเริ่มต้น ( MS )เนื่องจากเราต้องการให้วันที่เหล่านั้นกับ  ฟังก์ชัน _decompose ตามฤดูกาล

แทนที่จะวางแผนฟังก์ชันของเรา เราดึงส่วนตามฤดูกาลออกมา ส่งต่อในชุดข้อมูลของเรา และใช้ ตามฤดูกาล  เพียงเพื่อดึงข้อมูลตามฤดูกาลออกมา สุดท้าย เรารีเซ็ตดัชนีเพื่อให้เห็นวันที่อีกครั้ง

 ตอนนี้ ถ้าฉันคลิกตกลงคุณจะเห็นว่าคุณได้รับชุดข้อมูลดั้งเดิม แล้วก็dfที่เราหมายถึง

ถ้าเราคลิกที่  ตาราง  (เน้นในภาพด้านบน) และเปิด เราจะได้ตารางฤดูกาลการผลิตด้านล่าง หากคุณต้องการสร้างตารางที่คล้ายกับตารางนี้ ให้คัดลอกสคริปต์ที่ฉันแสดงให้คุณก่อนหน้านี้

สารตกค้าง

ทีนี้มาดู Residuals ที่สิ่งเดียวที่ฉันเปลี่ยนคือเมธอดหรือจุดหลังจากseasonal_decompose

ไม่รีเซ็ตดัชนี

หากเราไม่รีเซ็ตดัชนีและคลิกตกลงสคริปต์ของเราจะส่งกลับข้อผิดพลาด ดังนั้นหากเราใส่ # ก่อน  df.reset_index  ในบรรทัดสุดท้ายของสคริปต์ ก็จะได้ผลลัพธ์ดังตารางด้านล่าง ดังที่คุณเห็นในภาพ ดัชนีหายไปและไม่มีคอลัมน์วันที่

ดังนั้น เราจำเป็นต้องรีเซ็ตดัชนีเนื่องจากจะส่งกลับวันที่ ซึ่งจะทำงานเป็นดัชนีนี้ ดังนั้นถ้าเราลบ # นั้นออก มันจะคืน data frame ให้ฉัน ส่งผลให้ตารางด้านล่างมีคอลัมน์วันที่

และคุณสามารถใช้วิธีการเดียวกันกับ Trend ทำให้เป็นสคริปต์ที่ง่ายมากที่คุณสามารถเข้าถึงได้ทุกเวลาที่คุณต้องการ

รายงานการจัดการสินค้าคงคลังเพื่อแสดงแนวโน้มในการขาย
การจัดการการขายปลีก & รายงานการคาดการณ์ความต้องการใน LuckyTemplates
เคล็ดลับการแสดงข้อมูล LuckyTemplates สำหรับการวิเคราะห์แนวโน้ม KPI

บทสรุป

ตอนนี้คุณรู้วิธีที่ยอดเยี่ยมในการทำลายภาพของคุณแล้ว ด้วยสคริปต์ง่ายๆ คุณสามารถเริ่มสร้างภาพข้อมูลตามฤดูกาล แนวโน้ม และอนุกรมเวลาที่เหลืออยู่ใน LuckyTemplates และPython

ด้วยวิธีการแยกส่วนอนุกรมเวลาของ LuckyTemplates นี้ คุณสามารถอธิบายข้อมูลที่เกี่ยวข้องกับแนวโน้มการขายการเติบโตและการเปลี่ยนแปลงของฤดูกาล หรือเหตุการณ์ที่ไม่คาดคิด นอกจากนี้ยังเป็นเครื่องมือที่ยอดเยี่ยมสำหรับการพยากรณ์ และส่วนที่ดีที่สุดคือคุณสามารถคัดลอกและวางสคริปต์นี้ได้อย่างง่ายดายสำหรับข้อมูลอนุกรมเวลาที่คุณมี