Sezonowość, trend i szum w danych szeregów czasowych

Wizualizacja danych szeregów czasowych w Pythonie

Thomas Vincent

Head of Data Science, Getty Images

Właściwości szeregów czasowych

Sezonowość: czy dane wykazują wyraźny wzorzec okresowy?
Trend: czy dane podążają konsekwentnie w górę lub w dół?
Szum: czy występują wartości odstające lub brakujące, niespójne z pozostałymi danymi?

Dekompozycja szeregów czasowych

import statsmodels.api as sm
import matplotlib.pyplot as plt
from pylab import rcParams

rcParams['figure.figsize'] = 11, 9
decomposition = sm.tsa.seasonal_decompose(
                co2_levels['co2'])
fig = decomposition.plot()

plt.show()

Wykres dekompozycji szeregu czasowego dla danych CO2

Dekompozycja szeregów czasowych

Wyodrębnianie składowych z dekompozycji szeregu czasowego

print(dir(decomposition))

['__class__', '__delattr__', '__dict__',
 ... 'plot', 'resid', 'seasonal', 'trend']

print(decomposition.seasonal)

datestamp
1958-03-29    1.028042
1958-04-05    1.235242
1958-04-12    1.412344
1958-04-19    1.701186

Składowa sezonowości w szeregu czasowym

decomp_seasonal = decomposition.seasonal

ax = decomp_seasonal.plot(figsize=(14, 2))
ax.set_xlabel('Date')
ax.set_ylabel('Seasonality of time series')
ax.set_title('Seasonal values of the time series')

plt.show()

Składowa sezonowości w szeregu czasowym

Sezonowość w szeregu czasowym

Składowa trendu w szeregu czasowym

decomp_trend = decomposition.trend

ax = decomp_trend.plot(figsize=(14, 2))
ax.set_xlabel('Date')
ax.set_ylabel('Trend of time series')
ax.set_title('Trend values of the time series')

plt.show()

Składowa trendu w szeregu czasowym

Trend w szeregu czasowym

Składowa szumu w szeregu czasowym

decomp_resid = decomp.resid

ax = decomp_resid.plot(figsize=(14, 2))
ax.set_xlabel('Date')
ax.set_ylabel('Residual of time series')
ax.set_title('Residual values of the time series')

plt.show()

Składowa szumu w szeregu czasowym

Szum w szeregu czasowym

Czas na ćwiczenia!

Wizualizacja danych szeregów czasowych w Pythonie