오늘도 배운다

Forecasts for Product Demand 시계열 기반 데이터 탐색 및 시각화 Date를 기반으로 추출한 year, month, week, day of the week를 기준으로 데이터셋을 더 살펴보았습니다 [Order Demand 관점] Order Demand 데이터는 시간별로 고르게 분포되어있나? 2011, 2017년은 데이터가 부족 매 년 1~3번째 주, 17~20째 주 사이 데이터 수가 급감하는 경향 # Additional Time features df['Year_Month'] = df['Date'].dt.strftime('%Y-%m') df['Year_Week'] = df['Date'].dt.strftime('%Y-%W') # Order Demand by year and date col..

Forecasts for Product Demand 데이터 탐색 및 시각화 AutoViz, SweetViz를 이용하는 방법도 있지만 간만에 복습할 겸 직접 시각화 해보았습니다 (참고) 데이터 셋 내 칼럼 'Product_Code', 'Warehouse', 'Product_Category', 'Date', 'Order_Demand' 제품 코드 관점 탐색 무슨 제품이 다수의 오더 디맨드를 차지하는가? 파레토의 원칙이 적용되는가? 파레토의 원칙 파레토 법칙은 ‘이탈리아 인구의 20%가 이탈리아 전체 부의 80%를 가지고 있다.’고 주장한 이탈리아의 경제학자 빌프레도 파레토의 이름에서 따왔다고 한다. 파레토 법칙은 ‘2080법칙’이라고도 하는데 ‘전체 결과의 80%가 전체 원인의 20%에서 일어나는 현상’을 의..

Forecasts for Product Demand 데이터셋 구성을 확인하기 위한 EDA 레포트 생성 및 데이터 변환/추가 데이터 타입 확인하기 import pandas as pd df = pd.read_csv('./archive/Historical Product Demand.csv') print(df.dtypes) print(df.columns) pandas_profiling을 이용해서 레포트 생성하기 import pandas as pd from pandas_profiling import ProfileReport df = pd.read_csv('./archive/Historical Product Demand.csv') profile = ProfileReport(df= df, explorative=Tru..