Análisis de series de tiempo | ¿Qué es la serie temporal? Análisis de serie temporal en Python

Share on facebook
Share on twitter
Share on linkedin
Share on telegram
Share on whatsapp

Contenidos

Este artículo fue publicado como parte del Blogatón de ciencia de datos

Tabla de contenidos

Echemos un vistazo rápido a este blog.

→ ¿Qué es una serie temporal?

→ Escenarios de la vida real de series de tiempo

→ Análisis de series de tiempo

→ Pronóstico

→ Tipos de pronóstico

1) Pronóstico cuantitativo

2) Pronóstico cualitativo

→ Regresión frente a series de tiempo

→ Componentes de series temporales

→ Análisis de datos de series de tiempo de kaggle

→ Trazar el gráfico de series de tiempo

¿Qué es una serie temporal?

La serie de tiempo es una secuencia o serie de puntos de datos en los que el componente de tiempo está involucrado a lo largo de la ocurrencia.

Ejemplo de datos de series de tiempo

Industria de la salud – Monitorización de la presión arterial, monitorización de la frecuencia cardíaca.

Medio ambiente – Temperatura global y niveles de contaminación del aire.

Sociedad – Tasas de natalidad durante un período de tiempo, población, etc.

51945untitled20design208-8805687

https://www.google.com/url?

¿Qué es el análisis de series de tiempo?

El análisis de estos datos de series de tiempo con determinadas herramientas y técnicas se denomina análisis de series de tiempo.

Los visitantes diarios del restaurante son predichos por esta serie de datos de tiempo. Para que la dirección del restaurante pueda nombrar y acomodar al personal según el número de visitantes.

Previsión

La previsión es el proceso de realizar predicciones a partir de los datos históricos para que puedan predecir el futuro a partir de los datos pasados ​​y presentes.

Tipos de pronóstico:

1) Pronóstico cuantitativo

2) Pronóstico cualitativo

Veamos que es

1) Pronóstico cuantitativo

El pronóstico cuantitativo se realiza en base a los datos históricos (i, e) Datos pasados ​​y presentes, principalmente datos numéricos. A través de estos datos históricos, utilizamos métodos estadísticos y, por lo tanto, podemos predecir con menor sesgo.

2) Pronóstico cualitativo

El pronóstico cualitativo se realiza en función de la opinión y el juicio de los expertos en la materia y los clientes. ¿Por qué dependemos del juicio en lugar de los datos? Porque en algunos casos, los datos anteriores no están disponibles o no son claros. así que aquí dependemos del juicio y las opiniones.

Es posible que tenga algunas dudas sobre la regresión y las series de tiempo. Ambos tienen algunas similitudes y diferencias.

Regresión frente a series de tiempo

El análisis de regresión y el análisis de series de tiempo se realizan sobre variables continuas.

Regresión

→ Es la relación entre variables dependientes e independientes.

→ La variable objetivo es continua.

→ Esto implica encontrar patrones en los datos y predecir el objetivo con este patrón.

62642untitled20design202-6372751
Regresión

Series de tiempo

→ Es la serie de puntos de datos asociados con el tiempo.

→ La variable objetivo es continua.

→ Esto implica encontrar tendencias en los datos y pronosticar el futuro con esta tendencia.

82932untitled20design209-7667099

Serie temporal: https://i1.wp.com/statisticsbyjim.com/wp-content/uploads/2020/07/TimeSeriesTrade.png?fit=576%2C384&ssl=1

Componentes de series de tiempo

El gráfico de series de tiempo ayuda a resaltar la tendencia y el comportamiento de los datos a lo largo del tiempo para construir un modelo más confiable. Para comprender estos patrones, debemos estructurar estos datos y desglosarlos en varios factores. Usamos varios componentes para desglosar estos datos. Son,

Roturas estructurales

Tendencia

Estacionalidad

Ciclicidad

Ruido

Nivel

1) Roturas estructurales

Es un componente que muestra algún cambio repentino en los datos de la serie temporal. Esta ruptura estructural afecta la confiabilidad de los resultados. Deben utilizarse métodos estadísticos para identificar las rupturas estructurales.

38862untitled20design2010-7380476
ROTURAS ESTRUCTURALES

2) Tendencia

Los datos de series de tiempo pueden tener algo que sea proporcional al período de tiempo. Ahí ocurre la tendencia. En resumen, «Tendencia» es la demostración de si la serie de tiempo se ha movido hacia arriba o hacia abajo durante un período de tiempo. La confiabilidad de los resultados de las series de tiempo se basa en la correcta identificación de las tendencias de tiempo.

A continuación, se muestra un ejemplo, los ingresos mensuales de una empresa. Esto muestra una tendencia creciente

37722untitled20design207-1968231

3) Estacionalidad

La estacionalidad también es un componente en el que los datos de la serie temporal muestran un patrón regular durante un intervalo de tiempo. Se repite después del intervalo de tiempo fijo.

(Un ejemplo de una serie temporal con estacionalidad son las ventas, que a menudo aumentan cada 20 días)

89766untitled20design2012-5470355
https://www.vosesoftware.com/riskwiki/images/image1858.gif

4) Ciclicidad

La ciclicidad es el componente en el que los datos de la serie temporal se repiten después de un intervalo de tiempo. El intervalo no se fija aquí.

Ejemplo:

La demanda de electricidad por semana se representa en un gráfico de series de tiempo. La demanda por 2 semanas se repite cíclicamente. Esto representa la ciclicidad.

95216untitled20design2013-5170449

https://robjhyndman.com/hyndsight/2011-12-14-cyclicts_files/figure-html/unnamed-chunk-3-1.png

5) ruido

El ruido es la fluctuación aleatoria en los datos de la serie temporal. No podemos considerarlos para predecir el futuro.

6) Nivel

La serie de tiempo promedio se llama nivel.

Análisis de datos de series de tiempo de kaggle:

En este análisis, he utilizado Kaggleconjunto de datos. Kaggle es una plataforma donde podemos encontrar conjuntos de datos, cuadernos y otros tipos de cosas relacionadas con la ciencia de datos. También se organizan competiciones para la práctica.

Conjunto de datos utilizado en este análisis: Conjunto de datos de inicio de serie temporal

Leer el conjunto de datos

import pandas as pd
data = pd.read_csv('/content/sample_data/Month_Value_1.csv')
data.head()

52781untitled20design203-1947272

Limpieza del conjunto de datos:

78363untitled20design204-6354263

Este conjunto de datos contiene 5 columnas y 96 filas.

Las columnas son

[0] – Período

[1] – Ingresos

[2] – Cantidad de ventas

[3] – Costo_promedio

[4] – El_payor_anual_promedio_de_la_región

Descripción de cada columna para decidir cuál es importante

Período: contiene el período del modelo. La fecha sabia mensual de 2015 a 2020 se especifica aquí.

Ingresos: los ingresos de la empresa para cada mes desde 2015 hasta 2020.

Sales_quantity: cantidad de ventas de la empresa

Average_cost: coste medio de producción

The_average_annual_payroll_of_the_region: el número promedio de empleados en la región por año.

Trazar el gráfico de líneas para 5 columnas

data.plot.line(x=none,y=none)
21673untitled20design205-1421351

Contiene todos los datos de 5 columnas. Entonces no da una vista exacta. Entonces

Limpiemos el conjunto de datos.

Podemos analizar la serie temporal de ingresos de 2015 a 2020 y eliminar todas las demás columnas ahora.

48834untitled20design206-5110545
data = data.drop('Sales_quantity', 1)
data = data.drop('Average_cost', 1)
data = data.drop('The_average_annual_payroll_of_the_region', 1)

La sintaxis para eliminar la columna es

dataframe.drop('Column_name',1)

donde 1 es el número del eje (0 para filas y 1 para columnas)

Ahora solo tenemos columnas de período e ingresos para el análisis.

Tracemos la gráfica

data.plot.line(x=None,y=None)
86311untitled20design207-6232244

Este gráfico de series de tiempo muestra la tendencia creciente. Entonces, los ingresos de la empresa aumentan de 2015 a 2020.

Puede echar un vistazo a este cuaderno de la serie temporal para ver el código:

Cuaderno de conjunto de datos de inicio de serie temporal

Notas finales

Hemos visto algunos conceptos de análisis de series de tiempo y analizamos el conjunto de datos de inicio de Kaggle para series de tiempo.

¡Gracias por leer!

Espero que haya disfrutado del artículo y haya aumentado sus conocimientos sobre el análisis de series de tiempo. Por favor no dude en ponerse en contacto conmigo a [email protected] Linkedin

Quieres compartir tus pensamientos? Siéntete libre de comentar abajo

Sobre el Autor

Mohamed Illiyas

Actualmente, estoy cursando mi Licenciatura en Ingeniería (BE) en Ciencias de la Computación de la Escuela de Ingeniería del Gobierno, Srirangam, Tamil Nadu. Estoy muy entusiasmado con las estadísticas, el aprendizaje automático y la ciencia de datos.

Conéctate conmigo en Linkedin Mohamed Illiyas

Los medios que se muestran en este artículo que explican cómo implementar la aplicación Streamlit en Heroku no son propiedad de DataPeaker y se utilizan a discreción del autor.

Suscribite a nuestro Newsletter

No te enviaremos correo SPAM. Lo odiamos tanto como tú.