Selectarea ferestrelor de timp pentru media mobilă

Am văzut cum se utilizează interfața Tableau pentru a crea o medie mobilă, dar ce facem dacă avem nevoie să creăm propriul nostru câmp calculat de medie mobilă pentru a netezi datele?

În acest exercițiu vom recrea media mobilă folosind funcția WINDOW_AVERAGE() și câmpul Market Water Demand GL.

Ne vom concentra în special pe înțelegerea dimensiunii ferestrelor și a impactului acesteia asupra interpretării datelor.

Dacă ai pierdut progresul, încarcă registrul de lucru 3_2_window_average_2.twbx din folderul Workbooks de pe Desktop

Acest exercițiu face parte din cursul

Analiza seriilor de timp în Tableau

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Analiza seriilor de timp în Tableau

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol, vom începe prin a înțelege diferitele tipuri de serii de timp care există, precum și metodologiile analitice utilizate pentru a le studia. După ce vei înțelege conceptele fundamentale, vei învăța cum să reformatezi datele de tip serie de timp în vederea creării de vizualizări univariate și multivariate.

Exercise 1: Introducere în analiza seriilor de timp Exercise 2: Clasificarea seriilor de timp Exercise 3: Formatarea datelor calendaristice în Tableau Exercise 4: Reformatare cu datename Exercise 5: Partiționare cu datepart Exercise 6: Transformări de date și vizualizări Exercise 7: Verificarea cunoștințelor despre date și ore Exercise 8: Reformatting datelor în Tableau Exercise 9: Truncherea datelor Exercise 10: Calcularea duratelor din marcaje temporale Exercise 11: Clasificarea datelor de tip serie temporală Exercise 12: Analiza comportamentului utilizatorilor

Toată lumea vrea să analizeze date, dar este important ca acestea să fie curate. În acest capitol, vei învăța cum să curești datele de tip serie de timp folosind funcțiile de dată integrate în Tableau – vom restructura, separa și reuni datele în funcție de contextul temporal care ne interesează. În plus, vom explora conceptele de sezonalitate, analiză a tendințelor și detectare a anomaliilor!

Exercise 1: Manipularea și reformatarea șirurilor de date Exercise 2: Valid sau nu?Exercise 3: Reformatarea datelor calendaristice în practică Exercise 4: Parsarea datei Exercise 5: Trunchieri săptămânale Exercise 6: Sezonalitate și anomalii în datele de tip serie temporală Exercise 7: Tehnici pentru detectarea anomaliilor Exercise 8: Vizualizarea sezonalității și a percentilelor Exercise 9: Schimbarea anotimpurilor Exercise 10: Tendințele contează Exercise 11: Variația sezonieră cu box plot-uri Exercise 12: Analiza discrepanțelor de prețuri la avocado

În acest capitol final, vei descoperi puterea funcțiilor de fereastră și a tehnicilor statistice precum valorile Z, cu ajutorul cărora vei construi propriul clasificator de anomalii pentru a identifica oportunități optime de arbitraj de prețuri pentru o companie de tranzacționare! În a doua parte a capitolului, vom compara mai multe tehnici de detectare a anomaliilor, oferindu-ți o gamă largă de abordări pentru tratarea și analiza seriilor de timp!

Exercise 1: Funcții de fereastră în Tableau Exercise 2: Înțelegerea funcțiilor de fereastră Exercise 3: Calcule cu funcții de fereastră Exercise 4: Netezirea datelor cu medii mobile Exercise 5: Selectarea ferestrelor de timp pentru media mobilă

Exercițiul curent

Exercise 6: Identificarea relațiilor cu corelații de fereastră Exercise 7: Detectarea anomaliilor cu funcții de fereastră Exercise 8: Antrenament cu Z-scoruri și deviație standard Exercise 9: O analiză aprofundată a calculelor pe ferestre Exercise 10: Descifrarea volatilității Exercise 11: Stabilirea limitelor superioare Exercise 12: Detectarea anomaliilor cu Z-scoruri Exercise 13: Felicitări!