Hello there, ('ω')ノ
📌 1. 時系列データとは？
時系列データは、時間の流れに沿って記録されたデータ です。
例えば、以下のようなデータがあります。
| 日付 | 売上（万円） |
|---|---|
| 2024-01-01 | 120 |
| 2024-01-02 | 135 |
| 2024-01-03 | 150 |
| 2024-01-04 | 125 |
| 2024-01-05 | 160 |
時系列データの分析では、以下のようなパターンを見つけることが重要です。
- トレンド（Trend）：時間とともに増加 or 減少する傾向
- 季節性（Seasonality）：一定の周期で繰り返すパターン（例：週ごと、月ごと、年ごと）
- 周期性（Cyclic）：不規則な間隔で発生するパターン（例：景気の変動）
- ノイズ（Noise）：ランダムな変動
➡ これらの要素を分解することで、時系列データの構造を理解し、予測に活かすことができる！
📌 2. 時系列データの読み込み
まずは、pandasを使って時系列データを読み込みます。
✅ データの準備
import pandas as pd # 仮の時系列データを作成 data = { "Date": pd.date_range(start="2024-01-01", periods=30, freq="D"), "Sales": [120, 135, 150, 125, 160, 180, 200, 190, 210, 220, 230, 210, 220, 240, 250, 260, 280, 270, 290, 300, 310, 320, 330, 310, 300, 280, 270, 260, 250, 240] } df = pd.DataFrame(data) # 日付をインデックスに設定 df.set_index("Date", inplace=True) # データの表示 print(df.head())
✅ ポイント
pd.date_range()を使って日付データを作成set_index("Date")で 日付をインデックスに設定Salesは売上データ（例）
📌 3. 時系列データの可視化
まずは、データの傾向を確認するために、折れ線グラフを作成します。
✅ 売上データの推移を可視化
import matplotlib.pyplot as plt import japanize_matplotlib # ← 追加（matplotlibで日本語対応） plt.figure(figsize=(10,5)) plt.plot(df.index, df["Sales"], marker="o", linestyle="-", color="b") plt.xlabel("Date") plt.ylabel("Sales (万円)") plt.title("日別売上の推移") plt.grid() plt.show()
🔍 チェックポイント
- 売上が全体的に増加している → トレンドがある！
- 一定の間隔で変動が見られる → 季節性がある可能性！
📌 4. トレンドを抽出する
トレンドとは、データが時間とともに上昇 or 下降する傾向のことです。
移動平均（Moving Average） を使って、トレンドを滑らかに可視化できます。
✅ 移動平均（Rolling Mean）を計算
# 7日間の移動平均を計算 df["Moving_Avg"] = df["Sales"].rolling(window=7).mean() # グラフ描画 plt.figure(figsize=(10,5)) plt.plot(df.index, df["Sales"], label="Sales", linestyle="-", marker="o", color="b") plt.plot(df.index, df["Moving_Avg"], label="7-day Moving Avg", linestyle="-", color="r") plt.xlabel("Date") plt.ylabel("Sales (万円)") plt.title("売上のトレンド（7日間移動平均）") plt.legend() plt.grid() plt.show()
🔍 チェックポイント
- 青の折れ線が 元のデータ
- 赤の折れ線が 7日間の移動平均（トレンド）
- 移動平均を使うと、ノイズを除去し、全体的な傾向が見やすくなる！
📌 5. 季節性を分析する
季節性（Seasonality） とは、一定の周期で繰り返されるパターンのことです。
✅ 季節性を可視化
曜日ごとの売上平均を計算し、傾向を探ります。
# 曜日ごとの平均売上を計算（0: 月曜日, 6: 日曜日） df["DayOfWeek"] = df.index.dayofweek weekly_avg = df.groupby("DayOfWeek")["Sales"].mean() # グラフ描画 plt.figure(figsize=(8,5)) plt.bar(["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"], weekly_avg, color="c") plt.xlabel("Day of Week") plt.ylabel("Average Sales (万円)") plt.title("曜日ごとの売上平均") plt.grid() plt.show()
🔍 チェックポイント
- 週末（土日）の売上が高い → 消費パターンが反映されている可能性
- 平日は低め → ビジネスモデルの影響？
➡ 曜日ごとの売上の違いを分析し、ビジネス戦略に活用！
📌 6. トレンド・季節性・ノイズを分解
時系列データを、トレンド（Trend）・季節性（Seasonality）・ノイズ（Residual） に分解することもできます。
✅ statsmodels を使った分解
from statsmodels.tsa.seasonal import seasonal_decompose # データを分解 decomposed = seasonal_decompose(df["Sales"], model="additive", period=7) # 分解したデータをプロット plt.figure(figsize=(10,8)) plt.subplot(3,1,1) plt.plot(decomposed.trend, label="Trend") plt.legend() plt.subplot(3,1,2) plt.plot(decomposed.seasonal, label="Seasonality") plt.legend() plt.subplot(3,1,3) plt.plot(decomposed.resid, label="Residual") plt.legend() plt.show()
🔍 結果の解釈
- Trend（トレンド）: 長期的な増加 or 減少傾向
- Seasonality（季節性）: 一定の周期で繰り返すパターン
- Residual（ノイズ）: ランダムな変動
🎯 まとめ
✅ 時系列データの特徴（トレンド・季節性・ノイズ）を理解しよう！
✅ 移動平均や曜日ごとの売上分析でパターンを見つけよう！
✅ トレンドと季節性を分解することで、データの構造を把握しやすくなる！
Best regards, (^^ゞ
