CommencerCommencer gratuitement

Saisonnalité et moyennes mobiles

Prenons du recul et examinons maintenant les revenus globaux de notre application de méditation. Nous avons observé une forte croissance des achats pour l’un de nos produits et nous voulons vérifier si cela se traduit par une hausse correspondante du chiffre d’affaires. Comme vous pouvez vous y attendre, les revenus sont très saisonniers ; nous allons donc corriger cet effet pour faire ressortir les tendances de fond.

Dans cet exercice, nous allons corriger les saisonnalités hebdomadaire, mensuelle et annuelle, puis les tracer en parallèle des données brutes. Cela peut révéler des tendances de manière très efficace.

Les données de revenus sont chargées pour vous dans daily_revenue.

Cet exercice fait partie du cours

Analytics client et A/B Testing en Python

Afficher le cours

Instructions

  • À l’aide de la méthode .rolling(), calculez la moyenne mobile des données avec une fenêtre de 7 jours et enregistrez-la dans une colonne 7_day_rev.
  • Calculez la moyenne mobile mensuelle (28 jours) et enregistrez-la dans une colonne 28_day_rev.
  • Calculez la moyenne mobile annuelle (365 jours) et enregistrez-la dans une colonne 365_day_rev.
  • Cliquez sur "Soumettre la réponse" pour tracer les trois moyennes mobiles calculées avec les données brutes.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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()
Modifier et exécuter le code