ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಪಂಚವು ಸಾಮಾನ್ಯವಾಗಿ ಸಮಯ ಸರಣಿಯ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ಅಂತಹ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಬಳಸುವ ಸಾಮಾನ್ಯ ತಂತ್ರವೆಂದರೆ ಒಂದು ಪರಿಕಲ್ಪನೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವುದು ರೋಲಿಂಗ್ ವಿಂಡೋ. ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ಕೆಲವೊಮ್ಮೆ ಚಲಿಸುವ ವಿಂಡೋ ಅಥವಾ ಸ್ಲೈಡಿಂಗ್ ವಿಂಡೋ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಣ್ಣ ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲು, ಅವುಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಫಲಿತಾಂಶದ ಉಪ-ಸರಣಿಯಿಂದ ಉಪಯುಕ್ತ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ನಮಗೆ ಅನುಮತಿಸುವ ಒಂದು ವಿಧಾನವಾಗಿದೆ. ಈ ಶಕ್ತಿಯುತ ತಂತ್ರವನ್ನು ಹಣಕಾಸು, ಮುನ್ಸೂಚನೆ ಮತ್ತು ಪ್ರವೃತ್ತಿ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ನಿಮ್ಮ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಟೂಲ್ಬಾಕ್ಸ್ನಲ್ಲಿ ಹೊಂದಲು ಅಮೂಲ್ಯವಾದ ಕೌಶಲ್ಯವಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ರೋಲಿಂಗ್ ವಿಂಡೋದ ಪರಿಕಲ್ಪನೆಯನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ಸಮಸ್ಯೆಯನ್ನು ನಿಭಾಯಿಸುತ್ತೇವೆ, ಅದರ ಪರಿಹಾರವನ್ನು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಹಂತಗಳಾಗಿ ಒಡೆಯುತ್ತೇವೆ ಮತ್ತು ಸಂಬಂಧಿತ ಪೈಥಾನ್ ಲೈಬ್ರರಿಗಳು ಮತ್ತು ನಮ್ಮ ಜೀವನವನ್ನು ಸುಲಭಗೊಳಿಸುವ ಕಾರ್ಯಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.
ಸಮಸ್ಯೆ ಹೇಳಿಕೆ
ಒಂದು ವರ್ಷದ ಚಿಲ್ಲರೆ ಅಂಗಡಿಯ ದೈನಂದಿನ ಮಾರಾಟದ ಅಂಕಿಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಮಯ ಸರಣಿಯ ಡೇಟಾಸೆಟ್ ಅನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಸಂಭಾವ್ಯ ವೈಪರೀತ್ಯಗಳನ್ನು ಸುಗಮಗೊಳಿಸಲು, ಟ್ರೆಂಡ್ಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ವ್ಯಾಪಾರ ನಿರ್ಧಾರಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು 7-ದಿನಗಳ ರೋಲಿಂಗ್ ಸರಾಸರಿ ಮಾರಾಟವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ನಮ್ಮ ಕಾರ್ಯವಾಗಿದೆ. ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ನಾವು ಪೈಥಾನ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದು ಪ್ರಸಿದ್ಧ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಾಗಿದೆ.
ಪರಿಹಾರ ವಿಧಾನ
ರೋಲಿಂಗ್ ವಿಂಡೋ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸುತ್ತೇವೆ:
- ಅಗತ್ಯ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ
- ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ
- ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ರಚಿಸಿ
- 7-ದಿನದ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ
- ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಿ
ಅಗತ್ಯವಿರುವ ಲೈಬ್ರರಿಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದರೊಂದಿಗೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡುವುದರೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸೋಣ.
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())
ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿದ ನಂತರ, ನಾವು ಈಗ ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ರಚಿಸಲು ಮುಂದುವರಿಯುತ್ತೇವೆ.
ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ
ನಾವು ಶಕ್ತಿಶಾಲಿಗಳ ಕಡೆಗೆ ತಿರುಗುತ್ತೇವೆ ಪಾಂಡಾಗಳು ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ರಚಿಸಲು rolling()
ಕಾರ್ಯ. ರೋಲಿಂಗ್ ವಿಂಡೋವು 7 ದಿನಗಳ ಗಾತ್ರವನ್ನು ಹೊಂದಿರುತ್ತದೆ, ಏಕೆಂದರೆ ನಾವು 7-ದಿನ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ.
# Create a rolling window of 7 days rolling_window = data['sales'].rolling(window=7)
ಈಗ ನಾವು ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ಹೊಂದಿದ್ದೇವೆ, ನಾವು 7-ದಿನ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕ ಹಾಕಬಹುದು.
7-ದಿನ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾಗುತ್ತಿದೆ
ಮಾರಾಟದ 7-ದಿನ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು, ನಾವು ಸರಳವಾಗಿ ಕರೆಯುತ್ತೇವೆ mean()
ನಮ್ಮ ರೋಲಿಂಗ್ ವಿಂಡೋ ವಸ್ತುವಿನ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ನಂತರ ನಾವು ಈ ಹೊಸ ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ನಮ್ಮ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ಹೊಸ ಕಾಲಮ್ನಂತೆ ಸೇರಿಸುತ್ತೇವೆ.
# Calculate the moving average data['7_day_avg'] = rolling_window.mean() # Preview the updated dataset print(data.head(10))
ಕೊನೆಯದಾಗಿ, ನಮ್ಮ ಡೇಟಾದಲ್ಲಿನ ಟ್ರೆಂಡ್ಗಳನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸೋಣ.
ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು
ನಾವು ಜನಪ್ರಿಯತೆಯನ್ನು ಬಳಸುತ್ತೇವೆ ಮ್ಯಾಟ್ಪ್ಲೋಟ್ಲಿಬ್ ದೈನಂದಿನ ಮಾರಾಟದ ಡೇಟಾ ಮತ್ತು ನಮ್ಮ ಲೆಕ್ಕಾಚಾರದ 7-ದಿನದ ಚಲಿಸುವ ಸರಾಸರಿ ಎರಡನ್ನೂ ಪ್ರದರ್ಶಿಸುವ ಸರಳ ಲೈನ್ ಚಾರ್ಟ್ ಅನ್ನು ರಚಿಸಲು ಲೈಬ್ರರಿ.
# 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()
ರಚಿತವಾದ ಚಾರ್ಟ್ 7-ದಿನದ ಚಲಿಸುವ ಸರಾಸರಿಯೊಂದಿಗೆ ದೈನಂದಿನ ಮಾರಾಟದ ಡೇಟಾವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಇದು ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ವೈಪರೀತ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ನಮಗೆ ಸುಲಭವಾಗುತ್ತದೆ.
ಕೊನೆಯಲ್ಲಿ, ರೋಲಿಂಗ್ ವಿಂಡೋವನ್ನು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಮಯ ಸರಣಿ, ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳಲ್ಲಿ ಗುಪ್ತ ಮಾದರಿಗಳು ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುವ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ. ಪೈಥಾನ್, ಪಾಂಡಾಗಳು ಮತ್ತು ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್ಗಳ ಸಂಯೋಜನೆಯು ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ, ಇದು ಆರಂಭಿಕರಿಗಾಗಿ ಮತ್ತು ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಣಿತರಿಗೆ ಪ್ರವೇಶಿಸಬಹುದಾದ ವಿಷಯವಾಗಿದೆ.