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
ARIMA-Modelle in Python
Anleitung zur Übung
- Importiere die Funktion
seasonal_decompose()ausstatsmodels.tsa.seasonal. - Zerlege die Spalte
'pounds_per_cow'vonmilk_productionmit einem additiven Modell und einer Periode von 12 Monaten. - Stelle die Dekomposition grafisch dar.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import seasonal decompose
from ____ import ____
# Perform additive decomposition
decomp = seasonal_decompose(___,
period=____)
# Plot decomposition
____
plt.show()