Hier is een voorbeeld van Python-code met Matplotlib voor het visualiseren van je dataset met geavanceerde tijdsreeksanalyses: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from pandas.plotting import register_matplotlib_converters from pandas.plotting import autocorrelation_plot from matplotlib.dates import DateFormatter register_matplotlib_converters() # Voorbeeld: laad je dataset # Data moet een DataFrame zijn met kolom 'Datum' en 'Verkoop' # Bijvoorbeeld: # df = pd.read_csv('verkoop_data.csv', parse_dates=['Datum']) # Voor nu maken we een mock dataset dates = pd.date_range(start='2022-01-01', end='2023-12-31', freq='D') np.random.seed(0) verkoop = np.random.poisson(lam=100, size=len(dates)) df = pd.DataFrame({'Datum': dates, 'Verkoop': verkoop}) # Zet Datum als index df.set_index('Datum', inplace=True) # Bereken voortschrijdend gemiddelde (bijv. 7-dagen) df['Voortschrijdend_Gemiddelde'] = df['Verkoop'].rolling(window=7).mean() # Seizoensgebonden trend via de STL-decomposition (optioneel, met statsmodels) import statsmodels.api as sm decomposition = sm.tsa.seasonal_decompose(df['Verkoop'], model='additive', period=365) df['Seizoensgebonden_trend'] = decomposition.seasonal # Plot setup plt.figure(figsize=(14, 8)) plt.plot(df.index, df['Verkoop'], color='steelblue', label='Dagelijkse verkoop') plt.plot(df.index, df['Voortschrijdend_Gemiddelde'], color='orange', linewidth=2, label='7-daags voortschrijdend gemiddelde') plt.plot(df.index, df['Seizoensgebonden_trend'], color='green', linewidth=2, linestyle='--', label='Seizoensgebonden trend') # Annotaties voor pieken en dalen # Bijvoorbeeld: top 3 pieken en dalen top_pieken = df['Verkoop'].nlargest(3) top_dalen = df['Verkoop'].nsmallest(3) for datum, waarde in top_pieken.items(): plt.annotate(f'Piek: {waarde}', xy=(datum, waarde), xytext=(datum, waarde + 15), arrowprops=dict(facecolor='red', shrink=0.05), fontsize=9, color='red') for datum, waarde in top_dalen.items(): plt.annotate(f'Dal: {waarde}', xy=(datum, waarde), xytext=(datum, waarde - 20), arrowprops=dict(facecolor='blue', shrink=0.05), fontsize=9, color='blue') # Aangepaste labels en titel plt.title('Tijdsreeksanalyse van online winkel verkoop', fontsize=16) plt.xlabel('Datum', fontsize=14) plt.ylabel('Verkoopaantallen', fontsize=14) # Legenda en grid plt.legend(loc='upper left', fontsize=12) plt.grid(True, linestyle='--', alpha=0.5) # Datum formatter voor x-as plt.gca().xaxis.set_major_formatter(DateFormatter('%Y-%m')) # Opties voor interactie of aanpassen plt.tight_layout() plt.show() ``` Deze code toont: - De dagelijkse verkoop - Een 7-dagen voortschrijdend gemiddelde met felle oranje lijn - Seizoensgebonden trend (via STL-decomposition) met groene stippellijn - Annotaties voor de top 3 piek- en dalwaarden - Duidelijke kleuren, labels, legenda en datumformatering Je kunt de parameters aanpassen naar wens (bijvoorbeeld de window size, kleurtjes, annotatieposities).

Hier is een geavanceerde Python-code voor tijdsreeksanalyse met Matplotlib: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from matplotlib.dates import DateFormatter, MonthLocator import matplotlib.dates as mdates from statsmodels.tsa.seasonal import seasonal_decompose # AANPASBARE PARAMETERS (pas deze aan naar wens) KLEUREN = { 'hoofdlijn': '#FF6B6B', # Fel rood 'voortschrijdend_gemiddelde': '#4ECDC4', # Turkoois 'trendlijn': '#45B7D1', # Blauw 'seizoenscomponent': '#FFE66D', # Geel 'piek_marker': '#FF0000', # Rood 'dal_marker': '#0000FF', # Blauw 'achtergrond': '#F7F7F7' # Lichtgrijs } TIJDSINTERVAL = 'W' # 'D' voor dagelijks, 'W' voor wekelijks, 'M' voor maandelijks VOORTSCHRIJDEND_GEMIDDELDE = 30 # Dagen voor voortschrijdend gemiddelde def maak_tijdsreeks_visualisatie(data, datum_col, verkoop_col): """ Maak een geavanceerde tijdsreeksvisualisatie met verschillende analyses """ # Data voorbereiden df = data.copy() df[datum_col] = pd.to_datetime(df[datum_col]) df = df.set_index(datum_col) df = df.asfreq('D') # Zorg voor dagelijkse frequentie # Voortschrijdend gemiddelde berekenen df['voortschrijdend_gem'] = df[verkoop_col].rolling( window=VOORTSCHRIJDEND_GEMIDDELDE, min_periods=1 ).mean() # Seizoensontleding try: result = seasonal_decompose(df[verkoop_col], model='additive', period=365) df['trend'] = result.trend df['seizoen'] = result.seasonal except: print("Seizoensontleding niet mogelijk met huidige data") df['trend'] = np.nan df['seizoen'] = np.nan # Piek- en daldetectie df['pieken'] = df[verkoop_col][(df[verkoop_col].shift(1) < df[verkoop_col]) & (df[verkoop_col].shift(-1) < df[verkoop_col])] df['dalen'] = df[verkoop_col][(df[verkoop_col].shift(1) > df[verkoop_col]) & (df[verkoop_col].shift(-1) > df[verkoop_col])] # Resample naar gewenst interval df_resampled = df.resample(TIJDSINTERVAL).mean() # Plot opzetten fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(20, 12)) fig.patch.set_facecolor(KLEUREN['achtergrond']) # Hoofdplot - Verkoopcijfers met voortschrijdend gemiddelde ax1.plot(df_resampled.index, df_resampled[verkoop_col], color=KLEUREN['hoofdlijn'], linewidth=2, label='Dagelijkse Verkoop') ax1.plot(df_resampled.index, df_resampled['voortschrijdend_gem'], color=KLEUREN['voortschrijdend_gemiddelde'], linewidth=3, label=f'Voortschrijdend Gemiddelde ({VOORTSCHRIJDEND_GEMIDDELDE}d)') # Markeer pieken en dalen pieken = df_resampled[df_resampled['pieken'].notna()] dalen = df_resampled[df_resampled['dalen'].notna()] ax1.scatter(pieken.index, pieken['pieken'], color=KLEUREN['piek_marker'], s=100, zorder=5, label='Pieken', alpha=0.7) ax1.scatter(dalen.index, dalen['dalen'], color=KLEUREN['dal_marker'], s=100, zorder=5, label='Dalen', alpha=0.7) ax1.set_title('Dagelijkse Verkoopcijfers met Analyse', fontsize=16, fontweight='bold') ax1.set_xlabel('Datum', fontsize=12) ax1.set_ylabel('Verkoopbedrag', fontsize=12) ax1.legend() ax1.grid(True, alpha=0.3) # Trendanalyse if not df_resampled['trend'].isna().all(): ax2.plot(df_resampled.index, df_resampled['trend'], color=KLEUREN['trendlijn'], linewidth=3, label='Trendlijn') ax2.set_title('Trendanalyse', fontsize=16, fontweight='bold') ax2.set_xlabel('Datum', fontsize=12) ax2.set_ylabel('Trend', fontsize=12) ax2.legend() ax2.grid(True, alpha=0.3) # Seizoenscomponent if not df_resampled['seizoen'].isna().all(): ax3.plot(df_resampled.index, df_resampled['seizoen'], color=KLEUREN['seizoenscomponent'], linewidth=2) ax3.set_title('Seizoensgebonden Component', fontsize=16, fontweight='bold') ax3.set_xlabel('Datum', fontsize=12) ax3.set_ylabel('Seizoenseffect', fontsize=12) ax3.grid(True, alpha=0.3) # Boxplot per maand voor seizoensanalyse df['maand'] = df.index.month maand_data = [df[df['maand'] == maand][verkoop_col] for maand in range(1, 13)] ax4.boxplot(maand_data, labels=['Jan', 'Feb', 'Mrt', 'Apr', 'Mei', 'Jun', 'Jul', 'Aug', 'Sep', 'Okt', 'Nov', 'Dec']) ax4.set_title('Maandelijkse Verdeling van Verkoop', fontsize=16, fontweight='bold') ax4.set_xlabel('Maand', fontsize=12) ax4.set_ylabel('Verkoopbedrag', fontsize=12) ax4.grid(True, alpha=0.3) # Datumformattering for ax in [ax1, ax2, ax3]: ax.xaxis.set_major_formatter(DateFormatter('%Y-%m')) ax.xaxis.set_major_locator(MonthLocator(interval=3)) plt.setp(ax.xaxis.get_majorticklabels(), rotation=45) plt.tight_layout() return fig, df # VOORBEELD GEBRUIK: # Veronderstel dat je een DataFrame hebt met kolommen 'datum' en 'verkoop' # df = pd.read_csv('jouw_data.csv') # fig, analyzed_df = maak_tijdsreeks_visualisatie(df, 'datum', 'verkoop') # plt.show() # Extra functie voor gedetailleerde piekannotaties def annotatie_pieken_dalen(ax, df, verkoop_col): """ Voeg gedetailleerde annotaties toe voor pieken en dalen """ pieken = df[df['pieken'].notna()] dalen = df[df['dalen'].notna()] for datum, waarde in pieken['pieken'].items(): ax.annotate(f'Piek: {waarde:.0f}', xy=(datum, waarde), xytext=(10, 30), textcoords='offset points', arrowprops=dict(arrowstyle='->', color='red'), fontsize=9, bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="red", alpha=0.7)) for datum, waarde in dalen['dalen'].items(): ax.annotate(f'Dal: {waarde:.0f}', xy=(datum, waarde), xytext=(10, -40), textcoords='offset points', arrowprops=dict(arrowstyle='->', color='blue'), fontsize=9, bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="blue", alpha=0.7)) # Om annotaties toe te voegen aan de hoofdplot: # annotatie_pieken_dalen(ax1, df_resampled, 'verkoop') ``` **Installatievereisten:** ```bash pip install pandas matplotlib numpy statsmodels ``` **Belangrijke aanpassingsopties:** 1. Wijzig `KLEUREN` dictionary voor kleuraanpassingen 2. Pas `TIJDSINTERVAL` aan voor aggregatieniveau 3. Verander `VOORTSCHRIJDEND_GEMIDDELDE` voor rolling window grootte 4. Pas de subplot-indeling aan in de `subplots()` functie Deze code biedt een complete analyse met visuele weergave van trends, seizoenspatronen, en markeert automatisch pieken en dalen in je verkoopdata!