![見出し画像](https://assets.st-note.com/production/uploads/images/143105644/rectangle_large_type_2_cfe9a0b0a2669271ecce2faf773d544c.png?width=1200)
Photo by
mania_note
実践!時系列データの可視化と基本的な分析(第2回)
データの可視化
前回は時系列解析の基本を学びました。今回は、具体的なデータを用いて時系列データの可視化と基本的な分析を行います。
サンプルデータの可視化
以下は、2024年6月の気温データです。このデータを可視化してみましょう。
![](https://assets.st-note.com/img/1717603102895-9Pjq0V1MGZ.png?width=1200)
まず、データをグラフにしてみましょう。
![](https://assets.st-note.com/img/1717603401773-1JQtv1lNiu.png?width=1200)
以下にPythonのコード例を示します。
import matplotlib.pyplot as plt
import pandas as pd
# サンプルデータの作成
dates = pd.date_range(start='2024-06-01', periods=10)
temperatures = [25, 26, 24, 27, 28, 30, 29, 31, 32, 30]
data = pd.DataFrame({'Date': dates, 'Temperature': temperatures})
# グラフの作成
plt.figure(figsize=(10, 6))
plt.plot(data['Date'], data['Temperature'], marker='o', linestyle='-', color='b')
plt.title('2024年6月の気温推移')
plt.xlabel('日付')
plt.ylabel('気温(℃)')
plt.grid(True)
plt.xticks(rotation=45)
plt.tight_layout()
# グラフを画像ファイルに保存
plt.savefig('/mnt/data/temperature_trend.png')
# グラフの表示
plt.show()
このグラフから、気温が日に日に上昇している傾向が見て取れます。データを可視化することで、データの傾向やパターンが直感的に理解しやすくなります。
データの分解
時系列データには、トレンド、季節性、ランダムな変動の3つの成分が含まれています。これらを分解することで、データの構造をより詳しく理解できます。
トレンド: データの長期的な動き。
季節性: データの周期的な変動。
ランダムな変動: 残りのランダムな動き。
例えば、次のようにデータを分解します。
![](https://assets.st-note.com/img/1717603216949-xBOgDK6FbU.png?width=1200)
このように分解することで、データの背後にある要因をより詳しく分析することができます。次回は、これらの要因をモデル化して予測を行う方法について解説します。
この記事が気に入ったらサポートをしてみませんか?