Løst: pytorch rullende vindu

En verden av dataanalyse krever ofte arbeid med tidsseriedata, og en vanlig teknikk som brukes til å håndtere slike data er å bruke konseptet med en rullende vindu. Et rullende vindu, noen ganger referert til som et bevegelig vindu eller skyvevindu, er en tilnærming som lar oss segmentere datasettet vårt i mindre biter, behandle dem og få nyttig innsikt fra den resulterende underserien. Denne kraftige teknikken er mye brukt i økonomi, prognoser og trendanalyse, noe som gjør den til en verdifull ferdighet å ha i din analytiske verktøykasse. I denne artikkelen vil vi utforske konseptet med et rullende vindu, takle et problem, bryte ned løsningen i lettfattelige trinn, og diskutere relaterte Python-biblioteker og funksjoner som kan gjøre livene våre enklere.

Problemstilling

La oss anta at vi har et tidsseriedatasett som inneholder daglige salgstall for en butikk i et år. Vår oppgave er å analysere dette datasettet og beregne det 7-dagers rullende gjennomsnittet av salg for å jevne ut potensielle anomalier, identifisere trender og veilede forretningsbeslutninger. Vi skal bruke Python, et velkjent og mye brukt programmeringsspråk for dataanalyse.

Løsningstilnærming

For å løse problemet med rullevinduet, følger vi disse trinnene:

1. Importer de nødvendige bibliotekene
2. Last inn datasettet
3. Lag det rullende vinduet
4. Beregn 7-dagers glidende gjennomsnitt
5. Visualiser resultatene

La oss starte med å importere de nødvendige bibliotekene og laste inn datasettet.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Load dataset (Assuming the dataset is a CSV file)
data = pd.read_csv('sales_data.csv')

# Preview the dataset
print(data.head())

Etter å ha lastet inn datasettet, fortsetter vi nå med å lage det rullende vinduet.

Opprette rullevinduet

Vi vender oss til de mektige pandaer bibliotek for å lage et rullende vindu ved å bruke rolling() funksjon. Det rullende vinduet vil ha en størrelse på 7 dager, da vi ønsker å beregne 7-dagers glidende gjennomsnitt.

# Create a rolling window of 7 days
rolling_window = data['sales'].rolling(window=7)

Nå som vi har det rullende vinduet, kan vi beregne 7-dagers glidende gjennomsnitt.

Beregning av 7-dagers glidende gjennomsnitt

For å finne det 7-dagers glidende gjennomsnittet av salg, kaller vi ganske enkelt mean() funksjon på vårt rullende vindusobjekt. Vi legger deretter til dette nye glidende gjennomsnittet som en ny kolonne i datasettet vårt.

# Calculate the moving average
data['7_day_avg'] = rolling_window.mean()

# Preview the updated dataset
print(data.head(10))

Til slutt, la oss visualisere resultatene våre for å bedre forstå trendene i dataene våre.

Visualisere resultater

Vi skal bruke det populære Matplotlib biblioteket for å lage et enkelt linjediagram som viser både de daglige salgsdataene og vårt beregnede 7-dagers glidende gjennomsnitt.

# Plot the daily sales data
plt.plot(data['sales'], label='Daily Sales')

# Plot the 7-day moving average
plt.plot(data['7_day_avg'], label='7-Day Moving Average', color='red')

# Add labels and legend
plt.xlabel('Days')
plt.ylabel('Sales')
plt.title('Daily Sales and 7-Day Moving Average')
plt.legend()

# Display the plot
plt.show()

Det genererte diagrammet viser de daglige salgsdataene sammen med det 7-dagers glidende gjennomsnittet, noe som gjør det lettere for oss å identifisere trender og uregelmessigheter.

Avslutningsvis er det rullende vinduet mye brukt i dataanalyse, spesielt tidsserier, for sin evne til å avsløre skjulte mønstre og trender i store datasett. Kombinasjonen av Python, Pandas og Matplotlib forenkler prosessen med å beregne glidende gjennomsnitt og visualisere resultater, noe som gjør det til et tilgjengelig emne for både nybegynnere og eksperter på området.