Lisser les données avec des moyennes mobiles

Avec des séries temporelles, on travaille souvent avec des données très bruitées, présentant de nombreux pics et creux.

Pour y remédier, les moyennes mobiles sont une technique utile pour lisser le bruit tout en préservant la forme générale de la distribution.

Dans cet exercice, nous allons voir comment utiliser l’interface de Tableau pour créer une moyenne mobile sur 7 jours à l’aide des calculs de table et ainsi lisser des données de trading de l’eau autrement très bruitées !

Cet exercice fait partie du cours

<cours>Analyse des séries temporelles avec Tableau</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Analyse des séries temporelles avec Tableau</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, nous allons commencer par distinguer les différents types de séries temporelles, ainsi que les méthodologies d’analyse correspondantes. Une fois les concepts fondamentaux acquis, vous apprendrez à reformater des données temporelles pour préparer des visualisations univariées et multivariées.

Exercise 1: Introduction aux séries temporelles Exercise 2: Classification des séries temporelles Exercise 3: Mise en forme des dates et heures dans Tableau Exercise 4: Reformater avec datename Exercise 5: Partitionner avec datepart Exercise 6: Transformations de dates et visualisations Exercise 7: Vérification des connaissances sur les dates et heures Exercise 8: Reformater des dates dans Tableau Exercise 9: Tronquer des dates Exercise 10: Calculer des durées à partir d’horodatages Exercise 11: Classifier des données de séries temporelles Exercise 12: Analyse du comportement des usagers

Tout le monde veut analyser des données, mais encore faut-il qu’elles soient propres. Dans ce chapitre, nous verrons comment nettoyer des séries temporelles à l’aide des fonctions de date intégrées de Tableau, afin de remodeler, scinder et recombiner nos données selon le contexte temporel qui nous intéresse. Au-delà, nous aborderons la saisonnalité, l’analyse des tendances et la détection d’anomalies !

Exercise 1: Manipulation et reformatage des chaînes de date Exercise 2: Valide ou pas ?Exercise 3: Reformater des dates en pratique Exercise 4: Analyser la date Exercise 5: Tronquages hebdomadaires Exercise 6: Saisonnalité et anomalies dans les séries temporelles Exercise 7: Techniques pour détecter les anomalies Exercise 8: Visualiser la saisonnalité et les centiles Exercise 9: Changer de saison Exercise 10: Les tendances, ça compte Exercise 11: Variance saisonnière avec des boîtes à moustaches Exercise 12: Analyser les écarts de prix des avocats

Dans ce dernier chapitre, vous découvrirez toute la puissance des fonctions de fenêtre et de techniques statistiques comme les valeurs Z, grâce auxquelles vous créerez vos propres classificateurs d’anomalies pour repérer des opportunités optimales d’arbitrage de prix pour une société de trading ! Dans la seconde partie, nous comparerons plusieurs techniques de détection d’anomalies, afin de vous doter d’un large éventail d’approches pour traiter et analyser des séries temporelles !

Exercise 1: Fonctions de fenêtre dans Tableau Exercise 2: Comprendre les fonctions de fenêtrage Exercise 3: Calculs avec des fonctions de fenêtrage Exercise 4: Lisser les données avec des moyennes mobiles

Exercice actuel

Exercise 5: Choisir les fenêtres temporelles des moyennes mobiles Exercise 6: Identifier des relations avec les corrélations par fenêtre Exercise 7: Détection d’anomalies avec les fonctions de fenêtre Exercise 8: Réflexes avec les Z-scores et l’écart-type Exercise 9: Plongée approfondie dans les calculs de fenêtre Exercise 10: Décomposer la volatilité Exercise 11: Définir des bornes supérieures Exercise 12: Détection d’anomalies avec les Z-scores Exercise 13: Félicitations !