Seizoensdecompositie II
Laten we nu bekijken hoe je seizoenspatronen en trends in de omgevingsdata kunt detecteren en visualiseren.
Je gebruikt statsmodels.seasonal_decompose() om de decompositie uit te voeren en plot daarna de resultaten.
Je gaat de data ook her-samplen naar een uurlijkse interval om langere trends te zien. Een te korte interval kiezen voorkomt dat we duidelijke trends en seizoensinvloeden zien.
matplotlib.pyplot as plt en import statsmodels.api as sm zijn al voor je geïmporteerd en de data is geladen als df.
Deze oefening maakt deel uit van de cursus
IoT-gegevens analyseren in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Resample DataFrame to 1h
df_seas = df.resample('1h').max()
# Run seasonal decompose
decomp = ____