Saisonale Dekomposition II
Schauen wir uns an, wie wir Saisonalität und Trends in den Umgebungsdaten erkennen und visualisieren können.
Du nutzt statsmodels.seasonal_decompose(), um die Zeitreihe zu zerlegen, und visualisierst anschließend die Ergebnisse.
Außerdem resampelst du die Daten auf ein stündliches Intervall, um längere Trends zu sehen. Ein zu kurzes Intervall verhindert, dass wir klare Trends und Saisonalitäten erkennen.
matplotlib.pyplot as plt und import statsmodels.api as sm wurden bereits importiert und die Daten als df geladen.
Diese Übung ist Teil des Kurses
<Kurs>IoT-Daten in Python analysieren</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Resample DataFrame to 1h
df_seas = df.resample('1h').max()
# Run seasonal decompose
decomp = ____