Tijdreeksdecompositie

Bij het visualiseren van tijdreeksgegevens let je op een paar herkenbare patronen:

seizoensinvloeden: vertoont de data een duidelijk periodiek patroon?
trend: volgt de data een consistente stijgende of dalende lijn?
ruis: zijn er uitschieters of missende waarden die niet in lijn zijn met de rest van de data?

Je kunt een methode gebruiken die tijdreeksdecompositie heet om de structuur van tijdreeksdata automatisch te extraheren en te kwantificeren. De bibliotheek statsmodels biedt de functie seasonal_decompose() om meteen tijdreeksdecompositie uit te voeren.

decomposition = sm.tsa.seasonal_decompose(time_series)

Je kunt een specifieke component extraheren, bijvoorbeeld seizoensinvloeden, door de seasonal-attribuut van het decompositieobject te benaderen.

Deze oefening maakt deel uit van de cursus

Tijdreeksen visualiseren in Python

Cursus bekijken

Oefeninstructies

Importeer statsmodels.api met de alias sm.
Voer tijdreeksdecompositie uit op de DataFrame co2_levels en sla deze op in een variabele decomposition.
Print de seizoenscomponent van je tijdreeksdecompositie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import statsmodels.api as sm
import ____ as ____

# Perform time series decompositon
decomposition = sm.tsa.____(____)

# Print the seasonality component
print(____)

Code bewerken en uitvoeren