LoslegenKostenlos starten

Seasonal decompose

Du kannst dir eine Zeitreihe als Zusammensetzung aus Trend-, Saisonal- und Restkomponente vorstellen. Das ist eine hilfreiche Denkweise, wenn du ein Modell dafür bauen willst. Wenn du die Periodenlänge der Zeitreihe kennst, kannst du sie in diese Komponenten zerlegen.

In dieser Übung zerlegst du eine Zeitreihe, die die monatliche Milchproduktion pro Kuh in den USA zeigt. So bekommst du ein klareres Bild vom Trend und vom saisonalen Zyklus. Da die Daten monatlich sind, liegt die Vermutung nahe, dass die Saisonalität 12 Zeitperioden beträgt – das muss aber nicht immer so sein.

Die Zeitreihe zur Milchproduktion wurde in den DataFrame milk_production geladen und steht dir in deiner Arbeitsumgebung zur Verfügung.

Diese Übung ist Teil des Kurses

<Kurs>ARIMA-Modelle in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere die Funktion seasonal_decompose() aus statsmodels.tsa.seasonal.
  • Zerlege die Spalte 'pounds_per_cow' von milk_production mit einem additiven Modell und einer Periode von 12 Monaten.
  • Stelle die Dekomposition grafisch dar.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import seasonal decompose
from ____ import ____

# Perform additive decomposition
decomp = seasonal_decompose(___, 
                            period=____)

# Plot decomposition
____
plt.show()
Code bearbeiten und ausführen