如何輕鬆分解 LuckyTemplates 時間序列數據

此博客將教您如何將 LuckyTemplates 時間序列數據分解為基本組件。您可以在本博客底部觀看本教程的完整視頻。

時間序列數據無處不在，從心率測量到商店商品的單價，甚至在科學模型中。將此數據分解為基本部分可能是有利的，尤其是在準備報告圖表和演示文稿時。

本博客的時間序列分解方法將幫助您在描述趨勢、季節性或意外事件時找到更好的數據呈現方式。它也是在 LuckyTemplates 中進行預測的重要墊腳石。

目錄

• 圖的類型
• LuckyTemplates 時序數據集
• Python腳本
• LuckyTemplates 時間序列季節性分解
• 使用 LuckyTemplates 時間序列數據創建視覺對象
• 季節性
• 殘差
• 不重置索引
• 結論

圖的類型

上圖中有幾個圖表，包括 Actuals、  Trends、  Seasonality和 Noise。這種視覺效果最好的地方之一是每張圖都有凹陷。

當您想要突出顯示影響趨勢的某些關鍵因素（例如消費者購買趨勢中的收入和職業） 時，此功能會派上用場。

精確定位季節性模式也是如此，他們可以在其中描述公司的月度或季度增長動態。

它們也非常適合確定數據波動，例如用於科學研究的噪聲殘留水平等。例如，我們可以在下圖中看到過去十年殘留水平的增加，這讓我們對潛在趨勢有了一些了解。

當您通過上圖展示複雜的數據移動​​時，在很長一段時間內理解它們會容易得多。消化所有信息並識別您面前的模式和趨勢要容易得多。

因此，這會提高圍繞您的數據報告或演示文稿的興趣和對話。它還可以幫助您了解銷售、生產或其他方面的情況。

LuckyTemplates 時序數據集

我將向您展示兩種分解此數據系列的方法，該數據系列是在 Python Scrip Editor 中創建的。我還將教您如何使用相同的信息創建 Python 視覺對象。最後，我將讓您了解需要將哪些內容放入 Power Query。

下面是我們的示例數據集，其中包含從 1985 年到 2018 年的每月日期列以及機器的產值列。

Python腳本

接下來，我們將轉到 Python 腳本編輯器並向數據集的兩列添加代碼。該代碼將導入 pandas 作為數據操作庫 pd 和 matplotlib.pylot 作為 plt，它顯示我們的視覺效果。對於我們的季節性分解，它將導入一個包含 statsmodels 和 tsa.seasonal的包。

第 4 行中的變量顯示了我們的數據保存位置，在第 5 行中，您會發現我將 數據集 名稱更改為 df ，因為它更容易編寫。在第 11 行，我確保日期設置為日期時間，然後將索引設置為 12 日的日期。

LuckyTemplates 時間序列季節性分解

要進行季節性分解，我們需要一個時間序列索引或日期時間索引。因此，我們將數據索引設置為日期和第一列。

我們還想使用df 變量 和 freq函數將數據的頻率設置為 Month Start  ( MS )   ，如下面的第 13 行所示。

最後，我們使用plt.show來查看我們創建的內容。如果我們運行它，我們將得到以下結果。

現在我們有了季節性分解。從上圖中可以看出，它有我們的 Actuals、  Trend、  Seasonality和 Residuals。這些圖表將為您提供有關一段時間內銷售或生產情況的大量信息。

使用 LuckyTemplates 時間序列數據創建視覺對象

讓我們回到那個主頁，這樣我就可以向您展示我是如何在數據中創建這些圖表的。然後我們將轉到轉換並在下面查看我們的原始數據集，這是關於電力生產的。

如您所見，我為Seasonality、Residuals和Trends製作了三個表格。很難把它們放在一張桌子上，所以我把它們分成了三份。但是很容易複製粘貼我們數據的代碼。

季節性

如果我們轉到 Electric Production 表，您會看到它有季節性、日期和生產列。季節性列將顯示隨時間的波動。我們將回顧創建它的步驟。

如果我們轉到 Applied Steps，您會看到我已經提升了標題並重命名了列等。我們在這裡要做的是單擊 “運行 Python 腳本” 步驟。

正如您在下圖中所見，我們所做的幾乎與我們在 Python Visual 中創建視覺對象時所做的相同。我們引入了所需的庫，包括 pandas 和 statsmodels.tsa.seasonal 以及 seasonal_decompose 函數。

我們還將我們的數據集變量重新保存為df以便於編寫並創建日期。為了確保它是一個日期，我們隔離了日期列，然後使用 pd.to_datetime。 之後，我們將其保存在 df上。

然後我們將頻率更改為 Month Start ( MS )，因為我們想將這些日期提供給 seasonal _decompose 函數。

我們沒有繪製我們的函數，而是提取了季節性部分，傳入了我們的數據集，並使用 . seasonal 只是為了顯示季節性數據。最後，我們重置索引以便我們可以再次看到日期。

 現在，如果我單擊“確定”，您會看到為您提供了原始數據集，然後是我們代表的df 。

如果我們單擊 表 （在上圖中突出顯示）並打開它，我們將在下面獲得生產季節性表。如果您想創建一個與此類似的表，只需複制我之前向您展示的腳本即可。

殘差

現在讓我們轉到殘差，我唯一改變的是 seasonal_decompose 之後的方法或點。

不重置索引

如果我們不重置索引並單擊OK，我們的腳本將返回錯誤。因此，如果我們在腳本的最後一行的df.reset_index之前 放置一個 #   ，它將產生下表。正如您在圖像中看到的那樣，索引丟失並且沒有日期列。

因此，我們需要重置索引，因為它返回日期，該日期將作為該索引運行。因此，如果我們刪除 #，它會返回數據框，生成下表，該表現在有一個日期列。

您可以對趨勢使用相同的方法，使其成為一個非常簡單的腳本，您可以隨時訪問。

顯示銷售趨勢的庫存管理報告
LuckyTemplates 零售管理和需求預測報告
LuckyTemplates 數據可視化 KPI 趨勢分析技巧

結論

現在你知道分解視覺效果的好方法了。使用簡單的腳本，您可以開始在 LuckyTemplates 和Python中創建季節性、趨勢和殘差時間序列數據視覺對象。

使用這種 LuckyTemplates 時間序列分解方法，您可以描述涉及銷售趨勢、季節性增長和變化或意外事件的數據。它也是一個很好的預測工具。最好的部分是您可以輕鬆地複制和粘貼此腳本以獲取您擁有的任何時間序列數據。