1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wizualizacja danych szeregów czasowych w Pythonie
Connected

ćwiczenie

Dekompozycja szeregu czasowego

Analizując dane szeregów czasowych, warto zwracać uwagę na charakterystyczne wzorce:

  • sezonowość: czy dane wykazują wyraźny, powtarzający się wzorzec?
  • trend: czy dane podążają konsekwentnie w górę lub w dół?
  • szum: czy w danych pojawiają się wartości odstające lub brakujące, które nie pasują do reszty?

Do automatycznego wyodrębniania i analizy struktury szeregów czasowych możesz zastosować metodę zwaną dekompozycją szeregu czasowego. Biblioteka statsmodels udostępnia funkcję seasonal_decompose(), która wykonuje tę dekompozycję od razu po wywołaniu. 

decomposition = sm.tsa.seasonal_decompose(time_series)

Aby wyodrębnić konkretny komponent, na przykład sezonowość, odwołaj się do atrybutu seasonal obiektu dekompozycji.

Instrukcje

100 XP
  • Zaimportuj statsmodels.api z aliasem sm.
  • Przeprowadź dekompozycję szeregu czasowego na ramce danych co2_levels i zapisz wynik do zmiennej decomposition.
  • Wyświetl komponent sezonowości uzyskany z dekompozycji szeregu czasowego.