Säsongsvariation, trend och brus i tidsseriedata

Visualisering av tidsseriedata i Python

Thomas Vincent

Head of Data Science, Getty Images

Egenskaper hos tidsserier

Säsongsvariation: uppvisar data ett tydligt periodiskt mönster?
Trend: följer data en konsekvent uppåt- eller nedåtgående lutning?
Brus: finns det avvikande punkter eller saknade värden som inte stämmer överens med övriga data?

Tidsseriedekomposition

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()

Tidsseriedekomposition av CO2-data

Tidsseriedekomposition

Extrahera komponenter från tidsseriedekompositionen

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

Säsongskomponent i tidsserier

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()

Säsongskomponent i tidsserier

Säsongsvariation i tidsserier

Trendkomponent i tidsserier

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()

Trendkomponent i tidsserier

Trend i tidsserier

Bruskomponent i tidsserier

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()

Bruskomponent i tidsserier

Brus i tidsserier

Nu kör vi en övning!

Visualisering av tidsseriedata i Python