Python数据挖掘--时间序列
概念
时间序列：（TIME SERIES）均匀时间间隔的观测值序列
时间序列分析：（Time Series Analysis）趋势分析，序列分解，序列预测
序列分解
时间序列分解（Time-Series Decomposition）
- 时间序列按照季节性来分类：分为季节性时间序列和非季节性时间序列
- 非季节性时间序列：趋势部分，不规则部分
- 季节性时间序列：趋势部分，不规则部分，季节性部分
非季节性时间序列分解
- MA（Moving Average）：移动平均是一种简单平滑技术，它通过在时间序列上逐项推移取一定项数的均值，来表现指标的长期变化和发展趋势。
- SMA（Simple Moving Average）：简单移动平均，将时间序列上前N个数值做简单的算术平均。
- WMA（Weighted Moving Average）：加权移动平均，在基于简单移动平均的基础上，对时间序列上前n期的每一期数值赋予相应的权重，即加权平均的结果。
基本思想：提升近期的数据、减弱远期数据对当前预测值的影响，使预测值更贴近最近的变化趋势。
- 示例
数据解释：从2017年1月1日到2018年3月28日某电子产品销售金额，对这部分时间序列进行分解。
1、简单移动平均
根据以往经验，暂时按照以7天的均值来估算平均值。
import pandas as pd
import numpy
import matplotlib.pyplot as plt
data = pd.read_excel('E:\\2018年\\司机生态整体框架\\兼职全职司机占比对完单量的预测\\20170101_20180328数据.xlsx')
#x = data['日期']
x = pd.Series(range(1,len(data)+1))
y = data['呼叫订单数']
Y = pd.rolling_mean(y,7)
plt.plot(x,y,'k-',x,Y,'g-')
plt.show()
y_ = y-Y
plt.plot(x,y,'k-',x,Y,'g-',x,y_,'r-')注：1、用时间过x轴无法画图，因为日期是文本格式，无法转换为浮点型数据
2、执行出来的图形非常小，无法准确查看时间趋势。