1. Trend:
Trend - bu yuqoriga (ko'tarilish), pastga (pasayish) yoki gorizontal (o'zgarishsiz) bo'lishi mumkin bo'lgan ma'lumotlarning uzoq muddatli o'zgarishi. U ma'lumotlar harakatining umumiy yo'nalishini ifodalaydi.
Keling, bir misolni ko'rib chiqaylik:
# Создаем dataset с данными о продажах с трендом
data_trend = {'Дата': ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2023-05-01'],
'Продажи': [1000, 1200, 1400, 1600, 1800]}
df_trend = pd.DataFrame(data_trend)
# Преобразуем столбец 'Дата' в формат даты
df_trend['Дата'] = pd.to_datetime(df_trend['Дата'])
# Построим график продаж с трендом
plt.plot(df_trend['Дата'], df_trend['Продажи'])
plt.title('Продажи с трендом (рост)')
plt.xlabel('Дата')
plt.ylabel('Продажи')
plt.show()
Grafik shuni ko'rsatadiki, vaqt o'tishi bilan savdo ko'payadi. Bu ko'tarilish tendentsiyasiga misoldir.
2. Mavsumiylik:
Mavsumiylik - ma'lumotlarning muntazam ravishda takrorlanadigan davriy tebranishlari. Mavsumiylik yillik, oylik, haftalik va hokazo bo'lishi mumkin. Bu ma'lumotlarga muntazam ta'sir ko'rsatadigan voqealarga ishora qiladi.
# Создаем dataset с данными о продажах с сезонностью
data_seasonal = {'Дата': ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2023-05-01'],
'Продажи': [1000, 1200, 900, 1100, 1400]}
df_seasonal = pd.DataFrame(data_seasonal)
# Преобразуем столбец 'Дата' в формат даты
df_seasonal['Дата'] = pd.to_datetime(df_seasonal['Дата'])
# Построим график продаж с сезонностью
plt.plot(df_seasonal['Дата'], df_seasonal['Продажи'])
plt.title('Продажи с сезонностью')
plt.xlabel('Дата')
plt.ylabel('Продажи')
plt.show()
Grafik shuni ko'rsatadiki, sotuvlar taxminan har oy takrorlanadigan davriy tebranishlarga ega.
3. Shovqin:
Shovqin (qoldiq) - bu ma'lumotlarning tasodifiy o'zgarishi, uni trend yoki mavsumiylik bilan izohlab bo'lmaydi. Bu ma'lumotlarning tartibsiz tebranishlari va o'zgarishlarini ifodalaydi.
# Создаем dataset с данными о продажах с шумом
data_noise = {'Дата': ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2023-05-01'],
'Продажи': [1000, 1200, 1050, 1150, 1100]}
df_noise = pd.DataFrame(data_noise)
# Преобразуем столбец 'Дата' в формат даты
df_noise['Дата'] = pd.to_datetime(df_noise['Дата'])
# Построим график продаж с шумом
plt.plot(df_noise['Дата'], df_noise['Продажи'])
plt.title('Продажи с шумом')
plt.xlabel('Дата')
plt.ylabel('Продажи')
plt.show()
Grafik shuni ko'rsatadiki, sotuvlar aniq tendentsiya yoki mavsumiylikka ega bo'lmagan tasodifiy tebranishlarga ega. Bu shovqinga misol.
Avtokorrelyatsiya va qisman avtokorrelyatsiya
Avtokorrelyatsiya - vaqt seriyasi va uning kechikkan qiymatlari o'rtasidagi bog'liqlik o'lchovidir. Bu bizga joriy qiymatlarning oldingi qiymatlarga bog'liqligini aniqlash imkonini beradi.
Qisman avtokorrelyatsiya - oraliq kechikishlardagi korrelyatsiyani hisobga olgan holda vaqt qatori va uning kechikkan qiymatlari o'rtasidagi bog'liqlik o'lchovidir. Bu oraliq kechikishlarning ta'sirini hisobga olmaganda, ba'zi bir kechikish qiymatlariga "sof" bog'liqlikni aniqlashga yordam beradi.
Tasavvur qilaylik, bizda har soatda harorat ma'lumotlarining vaqt seriyasi bor:
|
