什么是时间序列的趋势？

时间序列数据是一系列数据点，用于在有序的时间段内测量某些变量。它是增长最快的数据库类别，因为它被广泛用于各个行业以了解和预测数据模式。因此，在准备用于建模的时间序列数据时，检查时间序列组件或模式非常重要。这些组件之一是趋势。

趋势 是数据中的一种模式，它显示了一个系列在很长一段时间内向相对较高或较低值的移动。换句话说，当时间序列的斜率增加或减少时，就会观察到趋势。趋势通常会发生一段时间然后消失，它不会重复。例如，一些新歌来了，它流行了一段时间，然后就消失了。它很有可能再次流行。

一个趋势可能是：

• 上升趋势：时间序列分析显示了向上然后是上升趋势的一般模式。
• 下降趋势：时间序列分析显示一个向下的模式，然后它是下降趋势。
• 水平或平稳趋势：如果没有观察到模式，则称为水平或平稳趋势。

您可以通过简单的可视化或分解数据集来发现数据的趋势。

可视化

通过简单地绘制数据集，您可以看到数据的总体趋势

方法 ：

• 导入模块
• 加载数据集
• 将月份列转换为日期时间对象
• 将月份设置为索引
• 创建情节

注意：在下面给出的示例中，相同的代码用于显示所有三种趋势，只是使用的数据集不同以反映该特定趋势。

数据集链接：点击这里

示例：上升趋势

Python3

# importing the libraries
import pandas as pd
import matplotlib
  
# importing dataset
data = pd.read_csv(r'C:\Users\admin\Downloads\Electric_Production.csv')
  
# casting Month column to datetime object
data['DATE'] = pd.to_datetime(data['DATE'])
  
# Setting Month as index
data = data.set_index('DATE')
  
# Creating the plot
data.plot()

输出 ：

示例：下降趋势

蟒蛇3

import pandas as pd
import matplotlib
  
# importing dataset
data = pd.read_csv(r'C:\Users\admin\Downloads\AlcoholSale.csv')
  
# casting Date column to datetime object
data['DATE'] = pd.to_datetime(data['DATE'])
  
# Setting Date column as index
data = data.set_index('DATE')
  
# Creating the plot
data.plot()

输出 ：

示例：水平趋势

蟒蛇3

# importing the libraries
import pandas as pd
import matplotlib
  
# importing dataset
data = pd.read_csv(
    r'C:\Users\admin\Downloads\monthly-beer-production-in-austr.csv')
  
# casting Month column to datetime object
data['Month'] = pd.to_datetime(data['Month'])
  
# Setting Month as index
data = data.set_index('Month')
  
# Creating the plot
data['1984':'1994'].plot()

输出 ：

分解

为了了解线性可视化背后的复杂性，我们可以分解数据。 statsmodels包中的seasonal_decompose函数可以帮助我们将数据分解为其组成部分/显示模式——时间序列的趋势、季节性和残差组成部分。在这里，我们只对趋势组件感兴趣，因此将使用season_decompose().trend访问它。

Season_decompose函数使用移动平均线方法来估计趋势。

Syntax : 

statsmodels.tsa.seasonal.seasonal_decompose(x, model=’additive’, period=None, extrapolate_trend=0)

Important parameters : 

• x : array-like.  Time-Series.  If 2d, individual series are in columns. x must contain 2 complete cycles.
• model : {“additive”, “multiplicative”}, optional (Depends on nature on seasonal component)
• period(freq.) : int, optional . Must be use if x is not pandas object or index of  x does not have a frequency.

Returns : A object with seasonal, trend, and resid attributes.

例子 ：

蟒蛇3

# importing function
from statsmodels.tsa.seasonal import seasonal_decompose
  
# creating trend object by assuming multiplicative model
output = seasonal_decompose(data, model='multiplicative').trend
  
# creating plot
output.plot()

输出 ：