Grunderna i transformering av tidsseriedata

Tidsserieanalys i Power BI

Kevin Barlow

Data Analytics Professional

Sammanhang och betydelse

Tidsseriedata förekommer allt oftare inom alla branscher.
Olika system har olika krav och format.

Mockup Data Architecture

ISO som internationell standard

ISO 8601

En internationell standard för hantering av datum- och tidsdata
Möjliggör konvertering av datum och tider till olika format
Erbjuder lokalisering och anpassning efter individuella behov
Manipulera datumfältet med FORMAT()

Exempeldatum:

var date = January 1st 2022 
# US Standard (MM DD YYYY)

var date2 = FORMAT(date, "DD MM YYYY")
# UK Standard
# 1 January 2022

var date3 = FORMAT(date, "YYYY MM DD")
# ISO Standard
# 2022 January 01

¹ https://en.wikipedia.org/wiki/ISO_8601#Combined_date_and_time_representations

UNIX för högprecisionstidsstämplar

UNIX-tid

Kallas även Epoch-tid
Anger antalet sekunder som förflutit sedan Epoch (1 januari 1970 kl. 00:00:00 UTC)
UNIX-tid används framför allt i datorsystem
Representerar en tidsstämpel (datum och tid)

Exempel på datum och tider

1 januari 2022 06:00:00 UTC

1641016800

1 januari 2022 18:00:00 UTC

1641060000

¹ https://en.wikipedia.org/wiki/Unix_time

Manipulera datum i Power BI

DATEADD()

Flytta ett angivet antal tidsintervall från ett referensdatum.

DATEADD(<dates>,<number_of_intervals>,<interval>)

Exempel:

DATEADD('date', 30, DAY)

var timestamp_PST = 
    DATEADD('timestamp_EST', -3, HOUR)

DATEDIFF()

Beräknar antalet tidsintervall mellan två datumobjekt.

DATEDIFF(<Date1>, <Date2>, <Interval>)

Exempel:

DATEDIFF(DATE(2019,2,1),
        DATE(2020,4,30),
        MONTH)

Result: 14

Sammanfatta data med DAX

Tidsseriedata förekommer inte alltid med jämna intervall – det beror på hur data samlas in. Det kan orsaka problem:

Tidsalgoritmer och ekvationer förutsätter ett konsekvent intervall
Betydande förändringar kan ske mellan datapunkter

Använd SUMMARIZE() på din tabell för att "jämna ut" datamängden. Genom att aggregera data kan du fortfarande identifiera trender, även om data saknas eller är oregelbunden.

Exempel:

SUMMARIZE('<table>', 
    [group_column(s)], 
    [new aggregated column(s)])

SUMMARIZE('sales', 
    sales[Quarter], 
    sales[Region], 
    "Total Sales", SUM(sales[revenue]))

Hantera saknad data

Imputering – en användbar strategi när vi har god kännedom om vad det saknade datavärdet bör vara; detta görs ofta i Power Query.

Imputing Data Example

Ta bort data – kan användas när en rad eller kolumn saknar stora mängder data; bör undvikas om det inte tydligt gynnar analysen

Dropping Data Example

Superstore-datamängden

I följande övningar arbetar du med datamängden Superstore. Den innehåller kassadata (Point of Sale) för Superstore-butiker i USA. Du kommer att formatera datum till rätt format inför vidare analys.

Superstore Data

Nu kör vi en övning!

Tidsserieanalys i Power BI