IniziaInizia gratis

Stagionalità e medie mobili

Facciamo un passo indietro e guardiamo i dati complessivi di ricavo della nostra app di meditazione. Abbiamo visto una forte crescita degli acquisti in uno dei nostri prodotti e ora vogliamo capire se ciò sta portando a un corrispondente aumento dei ricavi. Come puoi aspettarti, i ricavi sono molto stagionali, quindi vogliamo correggere questo effetto per mettere in luce i trend di fondo.

In questo esercizio correggeremo la stagionalità settimanale, mensile e annuale e le traceremo insieme ai dati grezzi. Questo può rivelare i trend in modo molto efficace.

I dati sui ricavi sono già caricati come daily_revenue.

Questo esercizio fa parte del corso

Customer Analytics and A/B Testing in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Usando il metodo .rolling(), calcola la media mobile dei dati con una finestra di 7 giorni e salvala in una colonna 7_day_rev.
  • Calcola la media mobile mensile (28 giorni) e salvala in una colonna 28_day_rev.
  • Calcola la media mobile annuale (365 giorni) e salvala in una colonna 365_day_rev.
  • Premi "Invia risposta" per tracciare insieme le tre medie mobili calcolate insieme ai dati grezzi.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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()
Modifica ed esegui il codice