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.
To ćwiczenie jest częścią kursu
Wizualizacja danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj
statsmodels.apiz aliasemsm. - Przeprowadź dekompozycję szeregu czasowego na ramce danych
co2_levelsi zapisz wynik do zmiennejdecomposition. - Wyświetl komponent sezonowości uzyskany z dekompozycji szeregu czasowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import statsmodels.api as sm
import ____ as ____
# Perform time series decompositon
decomposition = sm.tsa.____(____)
# Print the seasonality component
print(____)