LuckyTemplates Zaman Serisi Verilerini Kolayca Ayrıştırma

Bu blog size LuckyTemplates zaman serisi verilerini temel bileşenlere nasıl ayıracağınızı öğretecek. Bu eğitimin tam videosunu bu blogun alt kısmında izleyebilirsiniz .

Zaman serisi verileri, kalp atış hızı ölçümlerinden mağaza ürünlerinin birim fiyatlarına ve hatta bilimsel modellere kadar her yerdedir. Bu verileri önemli parçalara bölmek, özellikle rapor çizelgeleri ve sunumlar hazırlarken avantaj sağlayabilir .

Bu blogun zaman serisi ayrıştırma yöntemi, eğilimleri, mevsimselliği veya beklenmeyen olayları açıklarken verileri sunmanın daha iyi bir yolunu bulmanıza yardımcı olacaktır. Ayrıca , LuckyTemplates'da tahmin yapmak için harika bir atlama taşıdır .

İçindekiler

• Grafik Türleri
• LuckyTemplates Zaman Serisi Veri Kümesi
• Python Komut Dosyası
• LuckyTemplates Zaman Serisi Mevsimsel Ayrıştırma
• LuckyTemplates Zaman Serisi Verileriyle Görsel Oluşturma
• mevsimsellik
• artıklar
• Dizini Sıfırlamamak
• Çözüm

Grafik Türleri

Yukarıdaki resimde,  Gerçekleşenler ,  Trendler ,  Mevsimsellik ve  Gürültü dahil olmak üzere birkaç grafik vardır . Bu görselle ilgili en iyi şeylerden biri, her grafikte düşüşler olmasıdır .

Bir tüketici satın alma eğilimindeki gelir ve meslek gibi eğilimleri etkileyen belirli önemli faktörleri vurgulamak istediğinizde bu özellik kullanışlı olabilir . 

Aynı şey , bir şirketin aylık veya üç aylık büyüme hareketlerini tanımlayabilecekleri mevsimsel kalıpları saptamak için de geçerli.

Bilimsel çalışmalar ve benzerleri için artık gürültü seviyeleri gibi veri dalgalanmalarını belirlemek için de mükemmeldirler . Örneğin, aşağıdaki grafikte, son on yılda artık seviyelerde bir artış görebiliriz, bu da bize potansiyel bir eğilim hakkında biraz fikir verir.

Kapsamlı bir dönem boyunca karmaşık veri hareketlerini anlamak, bunları yukarıdaki grafikler aracılığıyla sunduğunuzda çok daha kolaydır. Tüm bilgileri sindirmek ve önünüzdeki kalıpları ve eğilimleri tanımak çok daha kolay.

Sonuç olarak, bu, veri raporunuz veya sunumunuzla ilgili ilgiyi ve konuşmayı geliştirir. Ayrıca satışlarınızda, üretiminizde veya başka bir şeyde neler olup bittiğini anlamanıza yardımcı olur.

LuckyTemplates Zaman Serisi Veri Kümesi

Python Scrip Editor'da oluşturulan bu veri serisini parçalamanın iki yolunu göstereceğim. Aynı bilgileri kullanarak Python görseli oluşturmayı da öğreteceğim . Son olarak, Power Query'ye neleri girmeniz gerektiğine dair size bir fikir vereceğim.

Aşağıda, bir makinenin üretim değeri sütununun yanı sıra 1985'ten 2018'e kadar aylık tarih sütunu içeren örnek veri setimiz bulunmaktadır.

Python Komut Dosyası

Ardından, Python Script Editor'a gidip veri setimizin iki sütununa bir kod ekleyeceğiz. Kod, pandaları bir veri işleme kitaplığı olan pd olarak ve  görsellerimizi gösteren matplotlib.pylot olarak plt olarak içe aktaracaktır  . Ve mevsimsel ayrıştırmamız için, statsmodels  ve  tsa.seasonal paketini içe aktaracak  .

4. satırdaki değişken verilerimizin nereye kaydedildiğini gösteriyor ve 5. satırda yazması daha kolay olduğu için veri setimizin  adını  df  olarak değiştirdiğimi göreceksiniz  . Ve 11. satırda tarihin tarih saat olarak ayarlanmasını sağladım ve ardından dizini 12'deki tarih yaptım.

LuckyTemplates Zaman Serisi Mevsimsel Ayrıştırma

Mevsimsel bir ayrıştırma yapmak için, bir zaman serisi veya tarih-zaman indeksi olan bir indekse ihtiyacımız var. Böylece veri indeksini tarih ve ilk sütun olarak ayarlayacağız.

 Ayrıca , aşağıdaki 13. satırda gösterildiği gibi, freq işlevinin  yanında  df değişkenini kullanarak  verilerin sıklığını Ay Başlangıcına  ( MS ) ayarlamak istiyoruz  .

Son olarak, ne oluşturduğumuzu görmek için plt.show kullanıyoruz . Ve bunu çalıştırırsak, aşağıdaki sonucu elde ederiz.

Şimdi mevsimsel ayrışmamız var. Ve yukarıdaki görüntüden de görebileceğiniz gibi,  Gerçekleşenler ,  Trend ,  Mevsimsellik ve  Kalıntılarımız var . Bu grafikler, zaman içinde satışlarınızda veya üretiminizde neler olup bittiği hakkında size birçok bilgi verecektir.

LuckyTemplates Zaman Serisi Verileriyle Görsel Oluşturma

O ana sayfaya geri dönelim ki size bu grafikleri veriler içinde nasıl oluşturduğumu göstereyim. Ardından Transform'a gideceğiz ve aşağıda Elektrik Üretimi ile ilgili orijinal veri setimizi göreceğiz.

Gördüğünüz gibi Seasonality , Residuals ve Trends için üç tablo yaptım . Onları bir masaya sığdırmak zordu, bu yüzden onları üçe ayırdım. Ancak verilerimizin kodunu kopyalayıp yapıştırmak kolaydır.

mevsimsellik

Elektrik Üretimi tablosuna geçersek mevsimsellik, tarih ve üretim sütunlarının olduğunu göreceksiniz. Mevsimsellik sütunu, zaman içindeki dalgalanmayı gösterecektir. Oluşturma adımlarının üzerinden geçeceğiz.

Uygulanan Adımlara gidersek  , diğerlerinin yanı sıra başlıkları zaten ilerlettiğimi ve sütunları yeniden adlandırdığımı görebilirsiniz. Burada yapacağımız şey  Run Python Script  adımına tıklamak.

Aşağıdaki görselde de görebileceğiniz gibi, görselimiz için Python Visual'da oluşturduğumuzda yaptığımızın hemen hemen aynısını yaptık. Pandas  ve  statsmodels.tsa.seasonal  ve  sezonluk_decompose işlevi dahil olmak üzere gerekli kitaplıklarımızı getirdik   .

Veri seti değişkenimizi de daha kolay yazmak için df olarak yeniden kaydettik ve bir tarih oluşturduk. Bunun bir tarih olduğundan emin olmak için tarih sütununu izole ettik ve sonra  pd.to_datetime kullandık. Ondan sonra df  üzerinden kaydettik  .

Daha sonra bu tarihleri ​​mevsimsel _decompose işlevine vermek istediğimiz için  sıklığı Ay Başlangıcı ( MS ) olarak değiştirdik .

Fonksiyonumuzu çizmek yerine mevsimsel kısmı çıkardık, veri setimize aktardık ve .  sadece mevsimsel verileri ortaya çıkarmak için mevsimsel . Son olarak, tarihi tekrar görebilmek için dizini sıfırlıyoruz.

 Şimdi Tamam'ı tıklarsam , size orijinal veri setinin ve ardından temsil ettiğimiz df'nin verildiğini görebilirsiniz .

Tabloya  (yukarıdaki resimde vurgulanan) tıklayıp  açarsak, aşağıdaki üretim mevsimsellik tablosunu alırız. Buna benzer bir tablo oluşturmak istiyorsanız, size daha önce gösterdiğim betiği kopyalamanız yeterli.

artıklar

Şimdi, değiştirdiğim tek şeyin yöntem veya sezonluk_decompose'dan sonraki nokta olduğu Artıklar'a geçelim .

Dizini Sıfırlamamak

Dizini sıfırlamaz ve Tamam'a tıklarsak betiğimiz bir hata döndürür.  Yani betiğimizin son satırında df.reset_index'in önüne   #  koyarsak aşağıdaki tablo ortaya çıkar. Resimde gördüğünüz gibi indeks eksik ve tarih sütunu yok.

Bu nedenle, bu dizin olarak çalışacak tarihi döndürdüğü için dizini sıfırlamamız gerekiyor.  Bu # öğesini kaldırırsak , bana veri çerçevesini geri verecek ve sonuçta artık bir tarih sütunu olan aşağıdaki tablo ortaya çıkacaktır.

Aynı yöntemi Trend için de kullanabilirsiniz, bu da onu istediğiniz zaman erişebileceğiniz gerçekten kolay bir komut dosyası haline getirir.

Satış Eğilimlerini Göstermek İçin Envanter Yönetimi Raporları
LuckyTemplates'da Perakende Yönetimi ve Talep Tahmini Raporları
KPI Eğilim Analizi İçin LuckyTemplates Veri Görselleştirme İpuçları

Çözüm

Artık görsellerinizi parçalara ayırmanın harika bir yolunu biliyorsunuz. Basit bir betik ile LuckyTemplates ve Python'da Mevsimsellik, Eğilim ve Kalan zaman serisi veri görselleri oluşturmaya başlayabilirsiniz .

Bu LuckyTemplates zaman serisi ayrıştırma yöntemiyle, satış trendleri , sezonluk büyüme ve değişiklikler ya da beklenmeyen olayları içeren verileri tanımlayabilirsiniz . Aynı zamanda tahmin için harika bir araçtır. Ve en iyi yanı, sahip olduğunuz herhangi bir zaman serisi verisi için bu komut dosyasını kolayca kopyalayıp yapıştırabilmenizdir.