fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Séries Temporais (Time Series) com Python

Carlos Melo por Carlos Melo
março 2, 2020
em Blog, Data Science, Python, Teoria, Tutoriais
5
156
COMPARTILHAMENTOS
5.2k
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Séries temporais representam uma fatia importante do campo do Data Science, e envolvem problemas como previsão de demanda, vendas e até mesmo o mercado financeiro.

Já parou para pensar na dificuldade de interpretar gráficos ou números que têm sazonalidade, ou seja, que não seguem o mesmo padrão ao longo do ano?

Uma loja de varejo vai vender muito mais no natal do que no carnaval, isso é intuitivo para nós. Mas como identificar esse comportamento em gráficos? Como fazer uma previsão com isso?

Se você nunca escutou falar no termo séries temporais (ou time series, do inglês), hoje farei uma breve introdução sobre o tema usando Python.

O que são Séries Temporais?

Séries temporais são uma séries de observações registradas em intervalos de tempo regulares.

Séries Temporais com Python

Registrar o tempo faz parte da atividade humana há milênios. Seja para planejar, criar cronogramas ou organizar eventos, estamos muito acostumados a trabalhar no presente, considerando o passado, para “prever” o futuro.

Normalmente, se usa o conceito de séries temporais para:

  • Identificar a natureza do fenômeno representado pela sequência de observações para encontrar padrões de comportamentos; e
  • Usar modelos estatísticos para prever valores futuros, baseando-se em resultados do passado.

Como exemplos de fenômenos que podem ser acompanhados e registrados ao longo do tempo estão:

  • Movimentação do preço de ações na Bolsa de Valores.
  • Tamanho da população de uma cidade, estado ou país.
  • Vendas trimestrais de uma loja de varejo no segmento da moda.
  • Consumo de energia elétrica de um condomínio de casas.
  • Demanda de passageiros de uma companhia aérea ao longo do ano.

Componentes de uma Série Temporal

Uma série temporal não pode utilizar técnicas tradicionais diretamente. Imagine que ao aplicar diretamente um modelo de regressão a uma séries, você ignora completamente a dimensão tempo.

Por isso, antes mesmo de explorar um gráfico temporal, é necessário conhecer 2 componentes básicos das time series.

Tendência

Tendência é a direção geral de alguma coisa que está se desenvolvendo ou evoluindo no eixo do tempo.

Tendência de Séries Temporais

No gráfico acima, você pode ver que existe uma tendência de queda nas vendas do uma empresa, mesmo com oscilações ao longo dos anos.

Plotar uma reta sobre esse gráfico ajuda a identificar rapidamente essa tendência.

Sazonalidade

Sazonalidade é qualquer mudança ou padrão previsível em uma série temporal.

Essa oscilação pode ser recorrente ou se repetir ao longo de um determinado período de tempo. Dependendo o ruído nos dados obtidos, também é facilmente detectada em gráficos como esse abaixo.

O gráfico do número de visitantes do Parque Nacional Abel Tasman (Nova Zelândia) permite identificar que há um pico entre os meses de dezembro e janeiro.

Também conseguimos identificar que setembro é o mês mais tranquilo, com menor número de visitantes.

Como separar os componentes?

Até agora, identificamos os dois componentes no olho. Porém, isso não me parece muito científico.

Existem métodos matemáticos para fazer essa separação, considerando a natureza aditiva ou multiplicativa de um gráfico. Vou te mostrar como separar a tendência e sazonalidade usando o Python.

# importar pacotes e setar configurações de plots
import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt
import seaborn as sns
# url do dataset
dataset_path = "https://raw.githubusercontent.com/carlosfab/escola-data-science/master/datasets/electricity_consumption/Electric_Production.csv"
# importar o csv para um dataframe
df = pd.read_csv(dataset_path)
# ver as 5 primeiras entradas
df.head()

Acima, importei algumas bibliotecas, incluindo o pacote estatístico statsmodels.

Também importei um conjunto de dados que mostra a produção de energia elétrica ao longo de alguns anos. Vamos plotar os dados e ver o seu comportamento.

# plotar gráfico de consumo de eletricidade
plt.plot(df.index, df.Value);

Podemos identificar uma tendência de crescimento na produção de energia elétrica, assim como ver um padrão de topos e fundos (oscilações).

Usando seasonal_decompose é possível gerar gráficos individuais, que servirão de insumo para uma fase de análise exploratória.

# salvar a decomposicao em result
result = seasonal_decompose(df)
# plotar os 4 gráficos
fig, (ax1,ax2,ax3, ax4) = plt.subplots(4,1, figsize=(12,8))
result.observed.plot(ax=ax1)
result.trend.plot(ax=ax2)
result.seasonal.plot(ax=ax3)
result.resid.plot(ax=ax4)
plt.tight_layout()

A função que usamos conseguiu decompor o gráfico em 4. Veja como ficou muito mais fácil ver cada um desses componentes separadamente.

Os plots gerados pela biblioteca statsmodels foram:

  1. Observação original
  2. Tendência
  3. Sazonalidade
  4. Residual

A oscilação (colocada horizontalmente) foi separada da tendência. Aquilo que não pôde ser identificado ou separado da observação original é o ruído, chamado aqui de residual.

Técnicas tradicionais e Séries Temporais

Agora que você aprendeu o que são elas, tenho certeza que vai passar a olhar de outra maneira para os seus dados.

Sempre raciocine se o tempo interfere de alguma maneira nas suas variáveis. Caso a resposta seja sim, não adianta tentar aplicar técnicas tradicionais para fazer previsões.

Aprenda a fazer esse tipo de exploração e conhecer modelos e frameworks específicos para as séries.

No meu próximo artigo, irei te mostrar como fazer previsões em cima de time series 🙂

Aproveitando, queria te convidar para conhecer a Escola de Data Science (EDS), a primeira escola com aulas semanas (ao vivo) nessa área (inclusive, a primeira aula da EDS foi exatamente sobre Séries Temporais)

Clique neste link e ganhe 7 dias grátis para você conhecer a minha metodologia 🙂

Compartilhar11Compartilhar62Enviar
Post Anterior

Aplicações de Machine Learning nos Esportes

Próximo Post

Reduzindo Turnover Com Machine Learning

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Green Card aprovado por habilidades extraordinárias em Data Science
Blog

Green Card aprovado por habilidades extraordinárias em Data Science

por Carlos Melo
julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens
Artigos

O Que é Amostragem e Quantização no Processamento de Imagens

por Carlos Melo
junho 20, 2025
Curso de Pós-Graduação em Data Science
Data Science

Vale a pena fazer uma Pós-Graduação em Data Science?

por Carlos Melo
janeiro 20, 2025
Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”
Livros

Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”

janeiro 18, 2025
Carlos Melo e Sérgio Sacani – Ciência Sem Fim
Youtube

Carlos Melo e Sérgio Sacani – Ciência Sem Fim

por Carlos Melo
janeiro 16, 2025
Próximo Post
Reduzindo Turnover Com Machine Learning

Reduzindo Turnover Com Machine Learning

Comentários 5

  1. Matheus Duzzi Ribeiro says:
    5 anos atrás

    Olá Carlos, primeiramente sou um grande apreciador do seu conteúdo, parabéns! Segundo, quando executamos seasonal_decompose() pode gerar um erro segundo as normativas de numpy/pandas.
    Uma forma de corrigir é:
    my_pandas_series = pd.Series(df.Value)
    result = seasonal_decompose(my_pandas_series.values, freq=3)
    Abraço!

    Responder
  2. Edson Lima says:
    5 anos atrás

    Estou recebendo este erro: ValueError: could not convert string to float: ’01-01-2018′

    Responder
  3. Rafael says:
    5 anos atrás

    Muito bom seu artigo, estou estudando e ele me foi bem útil.
    Quero apenas contribuir com uma correção:
    Quando fui testar sua solução, importei o dataset para um dataframe mas seu índice não ficou como datetime.
    Foi então necessário converter a coluna DATE para o index:
    df[‘DATE’] = pd.to_datetime(df[‘DATE’])#, dayfirst=True)
    df.set_index(‘DATE’, inplace=True)
    Apenas isso.
    Abraços

    Responder
  4. Diego Segovia says:
    4 anos atrás

    Excelente conteúdo!
    Não é fácil achar um conteúdo didático sobre statcmodels.tsa por aí e você fez com maestria!
    Consegui explorar bem melhor meus dados com este conteúdo, muito obrigado.

    Responder
    • Carlos Melo Carlos Melo says:
      2 anos atrás

      Muito obrigado pelo comentário!

      Responder

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    492 compartilhamentos
    Compartilhar 197 Tweet 123
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    412 compartilhamentos
    Compartilhar 165 Tweet 103
  • O Que é Amostragem e Quantização no Processamento de Imagens

    10 compartilhamentos
    Compartilhar 4 Tweet 3
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    386 compartilhamentos
    Compartilhar 154 Tweet 97
  • Fundamentos da Formação da Imagem

    172 compartilhamentos
    Compartilhar 69 Tweet 43
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
Green Card aprovado por habilidades extraordinárias em Data Science

Green Card aprovado por habilidades extraordinárias em Data Science

julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens

O Que é Amostragem e Quantização no Processamento de Imagens

junho 20, 2025
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025

Seguir

    Instagram Youtube LinkedIn Twitter
    Sigmoidal

    O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

    Seguir no Instagram

    Categorias

    • Aeroespacial
    • Artigos
    • Blog
    • Carreira
    • Cursos
    • Data Science
    • Deep Learning
    • Destaques
    • Entrevistas
    • IA Generativa
    • Livros
    • Machine Learning
    • Notícias
    • Python
    • Teoria
    • Tutoriais
    • Visão Computacional
    • Youtube

    Navegar por Tags

    camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

    © 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

    Welcome Back!

    Login to your account below

    Forgotten Password?

    Retrieve your password

    Please enter your username or email address to reset your password.

    Log In

    Add New Playlist

    Sem Resultado
    Ver Todos Resultados
    • Home
    • Cursos
    • Pós-Graduação
    • Blog
    • Sobre Mim
    • Contato
    • English

    © 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.