Сезонність, тренд і шум у часових рядах

Візуалізація часових рядів у Python

Thomas Vincent

Head of Data Science, Getty Images

Властивості часових рядів

Сезонність: чи мають дані чіткий періодичний патерн?
Тренд: чи дані послідовно зростають або спадають?
Шум: чи є викиди або пропуски, не узгоджені з рештою даних?

Декомпозиція часових рядів

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()

Графік декомпозиції часових рядів для даних CO2

Декомпозиція часових рядів

Витягування компонентів із декомпозиції часових рядів

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

Компонента сезонності в часовому ряді

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()

Компонента сезонності в часовому ряді

Сезонність у часовому ряді

Компонента тренду в часовому ряді

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()

Компонента тренду в часовому ряді

Тренд у часовому ряді

Компонента шуму в часовому ряді

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()

Компонента шуму в часовому ряді

Шум у часовому ряді

Давайте потренуємось!

Візуалізація часових рядів у Python