LoslegenKostenlos loslegen

Saisonalität und gleitende Durchschnitte

Einen Schritt zurück: Wir schauen uns jetzt die gesamten Umsatzdaten für unsere Meditations-App an. Wir haben bei einem unserer Produkte starkes Kaufwachstum gesehen und möchten nun prüfen, ob das zu einem entsprechenden Anstieg des Umsatzes führt. Wie du dir denken kannst, ist der Umsatz stark saisonal. Daher wollen wir dafür korrigieren und übergeordnete Trends sichtbar machen.

In dieser Übung korrigieren wir für wöchentliche, monatliche und jährliche Saisonalität und plotten diese über unsere Rohdaten. So lassen sich Trends sehr wirkungsvoll erkennen.

Die Umsatzdaten sind als daily_revenue für dich geladen.

Diese Übung ist Teil des Kurses

Customer Analytics und A/B-Testing mit Python

Kurs anzeigen

Anleitung zur Übung

  • Verwende die Methode .rolling(), um den gleitenden Durchschnitt der Daten mit einem 7-Tage-Fenster zu berechnen, und speichere ihn in der Spalte 7_day_rev.
  • Berechne den monatlichen (28 Tage) gleitenden Durchschnitt und speichere ihn in der Spalte 28_day_rev.
  • Berechne den jährlichen (365 Tage) gleitenden Durchschnitt und speichere ihn in der Spalte 365_day_rev.
  • Klicke auf "Antwort senden", um die drei berechneten gleitenden Durchschnitte zusammen mit den Rohdaten zu plotten.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compute 7_day_rev
daily_revenue['7_day_rev'] = daily_revenue.revenue.____(window=____,center=False).____

# Compute 28_day_rev
daily_revenue['28_day_rev'] = daily_revenue.revenue.____(window=____,center=False).____
    
# Compute 365_day_rev
daily_revenue['365_day_rev'] = daily_revenue.revenue.____(window=____,center=False).____
    
# Plot date, and revenue, along with the 3 rolling functions (in order)    
daily_revenue.plot(x='date', y=['revenue', '7_day_rev', '28_day_rev', '365_day_rev', ])
plt.show()
Code bearbeiten und ausführen