Saisonnalité et tendances

Analyse de données IoT avec Python

Matthias Voppichler

IT Developer

Composantes d'une série chronologique

Tendance
Saisonnier
Résiduel / bruit

series[t] = trend[t] + seasonal[t] + residual[t]

20.2 = 14.9 + 4.39 + 0.91

Décomposition saisonnière

import statsmodels.api as sm
# Run seasonal decompose
decomp = sm.tsa.seasonal_decompose(data["temperature"])
print(decomp.seasonal.head())

decomp.plot()

timestamp
2018-10-01 00:00:00   -3.670394
2018-10-01 01:00:00   -3.987451
2018-10-01 02:00:00   -4.372217
2018-10-01 03:00:00   -4.534066
2018-10-01 04:00:00   -4.802165
Freq: H, Name: temperature, dtype: float64

Décomposition saisonnière

Graphique de décomposition saisonnière

Graphique combiné

# Plot the timeseries
plt.plot(data["temperature"], label="temperature")

decomp = sm.tsa.seasonal_decompose(data["temperature"])
# Plot trend and seasonality
plt.plot(decomp.trend, label="trend")
plt.plot(decomp.seasonal, label="seasonal")

plt.show()

Graphique combiné

Décomposition saisonnière – graphique combiné

Passons à la pratique !

Analyse de données IoT avec Python