tableau基础学习2:时间序列数据预处理与绘图

这篇具有很好参考价值的文章主要介绍了tableau基础学习2:时间序列数据预处理与绘图。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

这一部分,我们记录一些分析时序趋势的分析步骤

数据预处理

1. 原始数据

原始数据是excel表格,其中包含三个Sheet页,

这里我们选择两家公司的股票,作为时序数据进行对比:恩捷股份与科大讯飞

tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau

tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau

2. 合并数据集

  1. 首先打开下面的【已使用数据解释器清理】,这里可以自动剔除一部分无用行,以保留需要分析的数据
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau

  2. 在tableau中,在左侧【工作表】中双击,即可将这两个添加进来,并自动合并

tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
3. 手动调整链接关系,选择日期,即可将左侧表(科大讯飞表)的日期列,与右侧表(恩捷股份)的日期列中,相同的日期数据合并成一行,并取交集

tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau

这里有四个合并方式:

  • 内部:取交集
  • 左侧:取左边表有的,如果右边表有则合并,右边表没有则为空值(null)
  • 右侧:取右边表有的,如果左边表有则合并,左边表没有则为空值(null)
  • 完全外部:取并集

2. 创建计算字段

在下面的表格标题部分右键,选择【创建计算字段】,即可得到通过计算新添加新的列,这个操作与excel在新的列输入=公式(xxxx)一样,比如添加一列称为“收盘价价差”的列,得到如下结果:

tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
这样就额外添加了一列,用于后续分析

绘图分析

1. 趋势分析

两个表的每个相同的数据项都可以对变化趋势进行分析,这里我们分析收盘价走势的相关性:

  1. 在【标记】区域选择密度,我们使用密度图进行分析
  2. 将一个表的【收盘价】拖到【列】上
  3. 将另一个表的【收盘价】拖到【行】上
  4. 将日期右键,选择天(这里默认是年,导致只有一个点)
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
    这样画出的图中,每一个点都是一天的数据

然后我们进行微调:

  1. 首先左击【大小】,将大小向右拖动
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
  2. 然后再选择颜色,选一个自己觉得OK的颜色:
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
  3. 在表格中右键选择【趋势线】->【显示趋势线】
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
    于是我们就可以看到趋势分析结果:
    tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
    ps:可以额外添加一个筛选器,通过对时间区间的选择,趋势线会自动变化拟合选定的时间区间

2. 计算字段趋势分析

我们使用计算字段额外计算两个字段:

  • 最高价之差
  • 最低价之差

注意:由于使用了交集数据,因此这个指标将不再区分不同的股票代码,而是直接得到两者的计算结果

然后绘图,即可得到如下可视化效果:
tableau基础学习2:时间序列数据预处理与绘图,自动化办公,学习,tableau
根据可视化的效果,可以看出,这两个股票的最高价与最低价之差走势逐渐分化,这就实现了对组合数据(计算字段)的分析文章来源地址https://www.toymoban.com/news/detail-691286.html

到了这里,关于tableau基础学习2:时间序列数据预处理与绘图的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 时间序列预测模型实战案例(三)(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)

    目录 引言 LSTM的预测效果图 LSTM机制 了解LSTM的结构 忘记门 输入门 输出门 LSTM的变体 只有忘记门的LSTM单元 独立循环(IndRNN)单元 双向RNN结构(LSTM) 运行代码 代码讲解 LSTM(Long Short-Term Memory)是一种常用的循环神经网络(RNN)模型,用于处理序列数据,具有记忆长短期的能力。

    2024年02月08日
    浏览(60)
  • python使用ARIMA进行时间序列的预测(基础教程)

    时间序列就是以时间为索引的数据,比如下面这种形式 数据链接:https://pan.baidu.com/s/1KHmCbk9ygIeRHn97oeZVMg 提取码:s0k5 python使用ARIMA建模,主要是使用statsmodels库 首先是建模流程,如果不是太明白不用担心,下面会详细的介绍这些过程 首先要注意一点,ARIMA适用于 短期 单变量

    2024年01月17日
    浏览(31)
  • 基于机器学习/深度学习的时间序列分析相关论文

    Robust Time Series Analysis and Applications: An Industrial Perspective, in  KDD  2022. Time Series in Healthcare: Challenges and Solutions, in  AAAI  2022. [[Link]](https://www.vanderschaar-lab.com/time-series-in-healthcare/) Time Series Anomaly Detection: Tools, Techniques and Tricks, in  DASFAA  2022. [[Link]](https://www.dasfaa2022.org//tutorials/T

    2024年02月13日
    浏览(38)
  • 数学建模学习笔记(15)时间序列分析

    时间序列的概念 :也称为动态序列,是指将某种现象的指标值按照时间顺序排列而成的数值序列。 时间序列的组成要素 :时间要素、数值要素。 时间序列的分类 : 时期时间序列 :数值要素反应现象在一定时期内的发展的结果; 时点时间序列 :数值要素反映现象在一定时

    2024年02月01日
    浏览(25)
  • 时间序列中的无监督表示学习

    自监督学习中,有一个常用的方法是对比学习; Time-series representation learning via temporal and contextual contrasting(IJCAI’21) 本文采用对比学习的方式进行时间序列表示学习。首先对于同一个时间序列,使用strong和weak两种数据增强方法生成原始序列的两个view。 Strong Augmentation指的是将

    2024年02月10日
    浏览(27)
  • 通过R语言实现平稳时间序列的建模--基础(ARMA模型)

    目录 1. 建模流程 2. 序列平稳性检验和纯随机性检验 2.1 图检验 2.2 单位根检验 3. 模型选择 ​  4. 参数估计 5. 模型检验 5.1 模型显著性检验 5.2 参数显著性检验 6. 模型优化 6.1 AIC准则 6.2 BIC准则 7. 预测 1.1 序列平稳性检验+纯随机性检验 1.2 模型选择 1.3 参数估计 1.4 模型检验 1

    2024年02月06日
    浏览(49)
  • 学习笔记:基于Transformer的时间序列预测模型

    为了便于读者理解,笔者将采取一个盾构机掘进参数预测的实际项目进行Transformer模型的说明。此外,该贴更多用于本人的学习记录,适合于对Transformer模型已经有一定了解的读者。此此次外,不定期更新中。 一些参考与图片来源: Transformer论文链接 transformer的细节到底是怎

    2024年02月03日
    浏览(52)
  • 机器学习-使用 XGBoost 时间序列预测能源消耗

    简而言之,时间序列预测是根据以前的历史数据预测未来值的过程。目前使用时间序列预测的最热门领域之一是加密货币市场,人们希望预测比特币或以太坊等流行加密货币的价格在未来几天甚至更长时间内将如何波动。另一个现实世界的案例是能源消耗预测。尤其是在能源

    2024年02月11日
    浏览(37)
  • 时间序列生成数据,TransformerGAN

            简介:这个代码可以用于时间序列修复和生成。使用transformer提取单变量或者多变时间窗口的趋势分布情况。然后使用GAN生成分布类似的时间序列。         此外,还实现了基于prompt的数据生成,比如指定生成某个月份的数据、某半个月的数据、某一个星期的数据

    2024年04月29日
    浏览(51)
  • 机器学习多步时间序列预测解决方案

    近年来,随着机器学习与深度学习的发展机器学习平台的成熟,数据科学家们不再需要关心底层的基础设施及构建复杂的训练与推理环境,从而可以把主要的时间与精力放在数据与算法本身。在机器学习变得更容易的今天,越来越多的传统行业已经开始使用机器学习算法来解

    2024年02月10日
    浏览(38)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包