Seizoenspatronen en voortschrijdende gemiddelden
Even uitzoomen: we bekijken nu de totale omzetgegevens van onze meditatie-app. We zagen sterke aankoopgroei in een van onze producten en willen nu zien of dat leidt tot een overeenkomstige stijging in de omzet. Zoals je misschien verwacht, is omzet erg seizoensgebonden, dus we willen daarvoor corrigeren en de macrotrends blootleggen.
In deze oefening corrigeren we voor wekelijkse, maandelijkse en jaarlijkse seizoensinvloeden en plotten we die over onze ruwe data heen. Dit kan trends op een krachtige manier zichtbaar maken.
De omzetgegevens zijn voor je geladen als daily_revenue.
Deze oefening maakt deel uit van de cursus
Customer Analytics and A/B Testing in Python
Oefeninstructies
- Gebruik de methode
.rolling()om het voortschrijdend gemiddelde met een venster van 7 dagen te berekenen en sla dit op in een kolom7_day_rev. - Bereken het maandelijkse (28 dagen) voortschrijdend gemiddelde en sla dit op in een kolom
28_day_rev. - Bereken het jaarlijkse (365 dagen) voortschrijdend gemiddelde en sla dit op in een kolom
365_day_rev. - Klik op "Antwoord verzenden" om de drie berekende voortschrijdende gemiddelden samen met de ruwe data te plotten.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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()