Çözüldü: Pytorch haddeleme penceresi

Son Güncelleme: 09/11/2023
Yazar: Python Kaynak İzi

haddeleme penceresi Veri analizi dünyası genellikle zaman serisi verileriyle çalışmayı gerektirir ve bu tür verileri işlemede kullanılan yaygın bir teknik, bir kavramı kullanmaktır. haddeleme penceresi. Bazen hareketli pencere veya kayan pencere olarak adlandırılan hareketli pencere, veri kümemizi daha küçük parçalara ayırmamıza, bunları işlememize ve sonuçta ortaya çıkan alt diziden yararlı bilgiler elde etmemize olanak tanıyan bir yaklaşımdır. Finans, tahmin ve trend analizinde yaygın olarak kullanılan bu güçlü teknik, analitik araç kutunuzda bulunması gereken değerli bir beceridir. Bu yazıda hareketli pencere kavramını keşfedeceğiz, bir sorunu ele alacağız, çözümünü anlaşılması kolay adımlara ayıracağız ve hayatımızı kolaylaştırabilecek ilgili Python kitaplıklarını ve işlevlerini tartışacağız.

Sorun bildirimi

Bir perakende mağazasının bir yıllık günlük satış rakamlarını içeren bir zaman serisi veri setimiz olduğunu varsayalım. Görevimiz, bu veri kümesini analiz etmek ve olası anormallikleri düzeltmek, eğilimleri belirlemek ve iş kararlarına rehberlik etmek için 7 günlük satış ortalamasını hesaplamaktır. Veri analizi için iyi bilinen ve yaygın olarak kullanılan bir programlama dili olan Python'u kullanacağız.

Çözüm Yaklaşımı

Dönen pencere problemini çözmek için şu adımları izleyeceğiz:

  1. Gerekli kütüphaneleri içe aktarın
  2. Veri kümesini yükleyin
  3. Dönen pencereyi oluştur
  4. 7 günlük hareketli ortalamayı hesaplayın
  5. Sonuçları görselleştirin

Gerekli kitaplıkları içe aktarma ve veri kümesini yükleme ile başlayalım.

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())

Veri setini yükledikten sonra, şimdi hareketli pencereyi oluşturmaya devam ediyoruz.

Dönen Pencereyi Oluşturma

Güçlü olana dönüyoruz Pandalar kitaplığı kullanarak yuvarlanan bir pencere oluşturmak için rolling() işlev. 7 günlük hareketli ortalamayı hesaplamak istediğimiz için hareketli pencere 7 günlük bir boyuta sahip olacaktır.

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

Artık hareketli pencereye sahip olduğumuza göre, 7 günlük hareketli ortalamayı hesaplayabiliriz.

7 Günlük Hareketli Ortalamanın Hesaplanması

Satışların 7 günlük hareketli ortalamasını bulmak için basitçe mean() yuvarlanan pencere nesnemizde işlev. Daha sonra bu yeni hareketli ortalamayı veri setimize yeni bir sütun olarak ekliyoruz.

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

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

Son olarak, verilerimizdeki eğilimleri daha iyi anlamak için sonuçlarımızı görselleştirelim.

Sonuçları Görselleştirme

Popüler olanı kullanacağız matplotlib hem günlük satış verilerini hem de hesaplanan 7 günlük hareketli ortalamamızı gösteren basit bir çizgi grafik oluşturmak için kitaplık.

# 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()

Oluşturulan grafik, günlük satış verilerini 7 günlük hareketli ortalama ile birlikte göstererek, trendleri ve anormallikleri belirlememizi kolaylaştırır.

Sonuç olarak, kayan pencere, büyük veri kümelerindeki gizli kalıpları ve eğilimleri ortaya çıkarma yeteneği nedeniyle veri analizinde, özellikle zaman serilerinde yaygın olarak kullanılmaktadır. Python, Pandas ve Matplotlib'in birleşimi, hareketli ortalamayı hesaplama ve sonuçları görselleştirme sürecini basitleştirerek konuyu hem yeni başlayanlar hem de alandaki uzmanlar için ulaşılabilir bir konu haline getirir.

İlgili Mesajlar: