Natuurlijk! Hieronder vind je een stapsgewijze uitleg en bijbehorende Python-code voor het analyseren van je tijdreeksdataset met Pandas. Ik neem aan dat je DataFrame bijvoorbeeld `df` heet, met kolommen 'Datum' en 'Temperatuur', en dat 'Datum' de index is. --- ### 1. Data voorbereiden Zorg dat de 'Datum' kolom de index is en dat de index als datetime is geformatteerd. ```python import pandas as pd import matplotlib.pyplot as plt # Voorbeeld: DataFrame inladen en index instellen # df = pd.read_csv('jouw_data.csv', parse_dates=['Datum'], index_col='Datum') # Als 'Datum' niet de index is: # df['Datum'] = pd.to_datetime(df['Datum']) # df.set_index('Datum', inplace=True) ``` **Redenatie:** Zorg dat de index van je DataFrame datetime-achtig is zodat je tijdgebaseerde operaties makkelijk kunt uitvoeren. --- ### 2. Resampling Resampling stelt je in staat om data te aggregeren over een andere tijdsperiode, bijvoorbeeld per maand of per week. Bijvoorbeeld, de gemiddelde temperatuur per maand: ```python # Resampling naar maandgemiddelden monthly_avg = df['Temperatuur'].resample('M').mean() # Visualisatie monthly_avg.plot(title='Maandelijkse gemiddelde temperatuur') plt.xlabel('Maand') plt.ylabel('Temperatuur') plt.show() ``` **Redenatie:** Resampling helpt patronen op grotere tijdsschalen te identificeren, zoals maandelijkse of jaarlijkse trends. --- ### 3. Voortschrijdende gemiddelden (Moving Average) Een voortschrijdend gemiddelde gladstrijkt korte termijn schommelingen uit en benadrukt langetermijntrends. ```python # 7-daags voortschrijdend gemiddelde df['7-dagen MA'] = df['Temperatuur'].rolling(window=7).mean() # Plotten df[['Temperatuur', '7-dagen MA']].plot(title='Temperatuur en 7-daags voortschrijdend gemiddelde') plt.xlabel('Datum') plt.ylabel('Temperatuur') plt.show() ``` **Redenatie:** Door een bewegend gemiddelde te gebruiken, wordt de data minder ruiserig en worden trends duidelijker zichtbaar. --- ### 4. Detecteren van trends en seizoenspatronen Voor trenddetectie kun je bijvoorbeeld een lineaire regressie toepassen. Voor seizoenspatronen kun je de data visualiseren of gebruik maken van de decompositie. **Decompositie met statsmodels:** ```python import statsmodels.api as sm # Zorg dat de index datetime is en de data volledig is decomposition = sm.tsa.seasonal_decompose(df['Temperatuur'], model='additive', period=365) # Visualiseren decomposition.plot() plt.show() ``` **Redenatie:** Decompositie scheidt de data in trend, seizoen en residu, waardoor patronen en seizoensinvloeden zichtbaar worden. --- ### 5. Visualisatie van de resultaten Gebruik plots om de gegevens en de analyses te visualiseren, wat helpt bij het interpreteren. ```python # Plot originele data en voortschrijdend gemiddelde plt.figure(figsize=(12,6)) plt.plot(df.index, df['Temperatuur'], label='Origineel') plt.plot(df.index, df['7-dagen MA'], label='7-daags MA', linewidth=2) plt.title('Temperatuur en voortschrijdend gemiddelde') plt.xlabel('Datum') plt.ylabel('Temperatuur') plt.legend() plt.show() ``` **Redenatie:** Visuele inspectie maakt patronen, trends en seizoensinvloeden snel duidelijk. --- ### Samenvatting: - **Resampling** voor overzicht op grotere tijdsintervallen. - **Voortschrijdende gemiddelden** voor trendgladheid. - **Decompositie** voor het scheiden van trend en seizoenspatronen. - **Visualisatie** ter interpretatie van de resultaten. Mocht je meer specifieke analyses willen of problemen ondervinden, vraag gerust!

Zeker, ik help je graag met tijdreeksanalyse in Python. Hier is een stapsgewijze uitleg met codevoorbeelden: ```python # Importeer benodigde libraries import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from statsmodels.tsa.seasonal import seasonal_decompose # Stel de stijl in voor plots plt.style.use('seaborn-v0_8') sns.set_palette("husl") # Stap 1: Data exploratie en voorbereiding print("Eerste 5 rijen van de dataset:") print(df.head()) print("\nDataset info:") print(df.info()) print("\nBeschrijvende statistieken:") print(df.describe()) # Controleer op ontbrekende waarden print(f"\nAantal ontbrekende waarden: {df['Temperatuur'].isnull().sum()}") # Stap 2: Resampling naar verschillende frequenties # Maandelijks gemiddelde maandelijks_gemiddelde = df.resample('M').mean() maandelijks_gemiddelde.columns = ['Maandelijks_Gemiddelde'] # Wekelijks gemiddelde wekelijks_gemiddelde = df.resample('W').mean() wekelijks_gemiddelde.columns = ['Wekelijks_Gemiddelde'] # Stap 3: Voortschrijdende gemiddelden (moving averages) # 7-dagen voortschrijdend gemiddelde (weekgemiddelde) df['7D_MA'] = df['Temperatuur'].rolling(window=7).mean() # 30-dagen voortschrijdend gemiddelde (maandgemiddelde) df['30D_MA'] = df['Temperatuur'].rolling(window=30).mean() # 365-dagen voortschrijdend gemiddelde (jaargemiddelde) df['365D_MA'] = df['Temperatuur'].rolling(window=365).mean() # Stap 4: Visualisatie van de tijdreeks en moving averages plt.figure(figsize=(15, 10)) # Originele data en moving averages plt.subplot(2, 1, 1) plt.plot(df.index, df['Temperatuur'], alpha=0.5, label='Dagelijkse Temperatuur', linewidth=1) plt.plot(df.index, df['7D_MA'], label='7-Dagen MA', linewidth=2) plt.plot(df.index, df['30D_MA'], label='30-Dagen MA', linewidth=2) plt.plot(df.index, df['365D_MA'], label='365-Dagen MA', linewidth=2, color='red') plt.title('Temperatuur Tijdreeks met Voortschrijdende Gemiddelden') plt.xlabel('Datum') plt.ylabel('Temperatuur (°C)') plt.legend() plt.grid(True, alpha=0.3) # Maandelijkse gemiddelden plt.subplot(2, 1, 2) plt.plot(maandelijks_gemiddelde.index, maandelijks_gemiddelde['Maandelijks_Gemiddelde'], marker='o', linewidth=2, color='green') plt.title('Maandelijks Gemiddelde Temperatuur') plt.xlabel('Maand') plt.ylabel('Temperatuur (°C)') plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # Stap 5: Seizoensdecompositie voor trend en seizoenspatronen # Zorg ervoor dat we voldoende data hebben (minimaal 2 perioden) decompositie = seasonal_decompose(df['Temperatuur'].dropna(), model='additive', period=365) # Jaarlijks seizoenspatroon plt.figure(figsize=(15, 12)) # Originele tijdreeks plt.subplot(4, 1, 1) plt.plot(decompositie.observed) plt.title('Geobserveerde Temperatuur') plt.ylabel('Temperatuur (°C)') # Trend component plt.subplot(4, 1, 2) plt.plot(decompositie.trend) plt.title('Trend Component') plt.ylabel('Temperatuur (°C)') # Seizoenscomponent plt.subplot(4, 1, 3) plt.plot(decompositie.seasonal) plt.title('Seizoenscomponent') plt.ylabel('Temperatuur (°C)') # Restcomponent plt.subplot(4, 1, 4) plt.plot(decompositie.resid) plt.title('Restcomponent') plt.ylabel('Temperatuur (°C)') plt.xlabel('Datum') plt.tight_layout() plt.show() # Stap 6: Trendanalyse met lineaire regressie from sklearn.linear_model import LinearRegression # Maak numerieke index voor trendanalyse df['Dagen'] = (df.index - df.index[0]).days # Fit lineair model voor trend X = df[['Dagen']].dropna() y = df['Temperatuur'].dropna() model = LinearRegression() model.fit(X, y) trend_line = model.predict(X) plt.figure(figsize=(12, 6)) plt.plot(df.index, df['Temperatuur'], alpha=0.5, label='Temperatuur') plt.plot(df.index, trend_line, color='red', linewidth=2, label=f'Trendlijn (helling: {model.coef_[0]:.4f} °C/dag)') plt.title('Temperatuur Trendanalyse') plt.xlabel('Datum') plt.ylabel('Temperatuur (°C)') plt.legend() plt.grid(True, alpha=0.3) plt.show() print(f"\nTrendanalyse resultaten:") print(f"Helling: {model.coef_[0]:.6f} °C per dag") print(f"Intercept: {model.intercept_:.2f} °C") print(f"R² score: {model.score(X, y):.3f}") # Stap 7: Seizoensanalyse - maandelijkse boxplots df['Maand'] = df.index.month df['Jaar'] = df.index.year plt.figure(figsize=(12, 6)) sns.boxplot(x='Maand', y='Temperatuur', data=df) plt.title('Temperatuurverdeling per Maand') plt.xlabel('Maand') plt.ylabel('Temperatuur (°C)') plt.grid(True, alpha=0.3) plt.show() # Stap 8: Jaarlijkse vergelijking jaarlijkse_gemiddelden = df.groupby('Jaar')['Temperatuur'].mean() plt.figure(figsize=(12, 6)) jaarlijkse_gemiddelden.plot(kind='bar', color='skyblue') plt.title('Jaarlijks Gemiddelde Temperatuur') plt.xlabel('Jaar') plt.ylabel('Gemiddelde Temperatuur (°C)') plt.xticks(rotation=45) plt.grid(True, alpha=0.3) plt.show() # Stap 9: Autocorrelatie analyse from pandas.plotting import autocorrelation_plot plt.figure(figsize=(12, 6)) autocorrelation_plot(df['Temperatuur'].dropna()) plt.title('Autocorrelatie van Temperatuur') plt.xlabel('Lag (dagen)') plt.ylabel('Autocorrelatie') plt.grid(True, alpha=0.3) plt.show() ``` **Uitleg van elke stap:** 1. **Data Exploratie**: Begrijp de structuur van je data en controleer op ontbrekende waarden 2. **Resampling**: Transformeer dagelijkse data naar wekelijkse/maandelijkse gemiddelden voor verschillende analyseperspectieven 3. **Voortschrijdende Gemiddelden**: - 7-dagen MA: week-tot-week variatie - 30-dagen MA: maandelijkse trends - 365-dagen MA: jaarlijkse trend (verwijdert seizoenseffecten) 4. **Seizoensdecompositie**: Breekt de tijdreeks op in trend, seizoenspatroon en restcomponenten 5. **Trendanalyse**: Kwantificeert de algemene richting van temperatuurverandering over tijd 6. **Seizoensanalyse**: Toont maandelijkse patronen en variabiliteit 7. **Jaarlijkse Vergelijking**: Vergelijkt gemiddelde temperaturen tussen jaren 8. **Autocorrelatie**: Identificeert periodieke patronen en de optimale lag voor modellering **Belangrijke overwegingen:** - Pas de rolling window sizes aan op basis van je data - Controleer altijd op stationariteit voor geavanceerde modellen - Overweeg outlier detectie voor betrouwbaardere resultaten - De period parameter in seasonal_decompose moet overeenkomen met je seizoenscyclus Deze analyse geeft je een compleet beeld van temperatuurpatronen, trends en seizoensvariabiliteit in je dataset.