04.1.1
日次データの基本プロット
0.15 × t の直線トレンド、8 × sin(2πt / 30) の 30 日周期、標準偏差 2 のノイズを足した 240 日分の売上を作り、ax.plot で折れ線に、ax.scatter(dates[::30], …) で 30 日おきの月末の点を重ねて描きます。図からは、左端の 120 付近から右端の 150 超へ向かう傾き(トレンド)、約 30 日ごとに繰り返す山と谷(季節性)、残りの細かいギザギザ(ノイズ)の 3 つが読み取れます。読み終えると、新しい時系列を受け取ったときに、欠測・外れ値・周期の有無を折れ線 1 枚で確認してから次の分析を選べるようになります。日次売上データにトレンドと季節性が混ざったケースを想定し、まずは素朴な折れ線と散布図で全体像をつかみます。
直感 #
お店の売上が 240 行の表で手元にあるとき、「伸びているか」「同じ上下を繰り返しているか」「変な日はないか」を数字を眺めて答えるのは難しいですが、折れ線にすれば数秒で見えます。折れ線は隣の日どうしを線でつなぐので「前の日からどう変わったか」がそのまま形になり、30 日おきに点を重ねると月末どうしの高さの比較ができます。縦軸の始点を 0 にするか 120 にするかで同じデータの印象が「横ばい」から「急成長」に変わるので、軸の数字を読むことも折れ線を読む作業の一部です。
何が起きているか(ステップで見る) #
コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。
見るポイント:折れ線でも軸の始点で印象が変わる。傾向を見たいなら移動平均を重ね、元データは薄く残す。
Pythonで描いてみる #
次のコードは、答えの分かっている人工データを 240 日分作って描きます。trend が右上がりの傾き、seasonal が 30 日周期の波、noise がギザギザを担当し、3 つを 120 に足して series にしてから、折れ線と月末の点を 1 枚の図に重ねます。
| |
実行結果の読み方 #
青い折れ線が 240 日分の売上で、左端の 120 付近から右端の 150 を超える高さまで上がっているのが trend の寄与です。約 30 日ごとに山と谷が繰り返すのは seasonal の正弦波で、オレンジの点(30 日おき)が毎回ほぼ同じ位相に乗っていることから、月末が周期のどこに当たるかが読めます。線の細かいギザギザは標準偏差 2 の noise で、振幅 8 の季節性に比べて小さいため波の形は崩れていません。
使いどころと落とし穴 #
ax.scatter の点を折れ線に重ねるのは、月末のような節目の挙動や外れ値を目立たせるためです。点だけを追うと月の中の 30 日周期の波を見落とすので、間引いた点と毎日の線は必ず一緒に見ます。季節性とトレンドが混ざった系列では、「先月より下がった」が季節の谷に入っただけなのか本当の下落なのかをこの図だけでは決められず、季節成分の分解 で成分に分けてから判断します。欠測やギャップは線でつなぐと隠れるので、series.isna().sum() と dates.to_series().diff().value_counts() で日付の間隔が全部 1 日かを最初に確認しておくと、後段の rolling や差分の計算で行がずれる事故を防げます。
- 学習・テストデータの分割 — 時系列を時間順に分割して評価する
- パーセント変化の推移 — 増減率の棒グラフでトレンドの勢いを把握
- 自己相関関数 (ACF) — ラグごとの相関の強さ