Visualisering af månedlige tendenser

Før du tegner diagrammer, skal du aggregere salgs-DataFrame til månedlige totaler. Gruppér efter kolonnen year_month af typen Period, og summér omsætningen. Konvertér PeriodIndex til et DatetimeIndex med .to_timestamp(), så Matplotlibs datoformatering gengiver akseetiketterne korrekt. Sortering efter indeks sikrer, at linjediagrammet forløber kronologisk fra venstre mod højre.

Opret en Figure og Axes med plt.subplots(figsize=(12, 5)), og kald ax.plot() for at tegne trenden i den månedlige omsætning. Brug marker='o' til at placere en prik ved hver måned, så de enkelte datapunkter er synlige, selv når linjen er glat. Angiv farve og linjebredde, så den primære trend skiller sig ud fra eventuelle ekstra kurver, du tilføjer senere.

En rå linje over den månedlige omsætning kan se ujævn ud på grund af sæsonbetinget støj. Overlejér et glidende gennemsnit over 3 måneder, beregnet med monthly.rolling(3).mean(), for at vise den underliggende trend tydeligere. Tegn det som en stiplet linje i en kontrastfarve, så det skiller sig ud fra den rå serie uden at skjule den.

Brug ax.annotate() til at markere den måned, der har den højeste omsætning. Find toppen med monthly.idxmax() og dens værdi med monthly.max(). Kommentarpilen peger fra en tekstetiket til toppunktet i dataene, så indsigten straks er synlig for alle, der læser diagrammet, også dem der modtager det som en PNG- eller PDF-fil.

Markér på samme måde den måned, der har den laveste omsætning, med monthly.idxmin() for at identificere mulig sæsonvariation eller forstyrrelser. Annotationer af både toppen og bunden giver det fulde billede: De gør det muligt for interessenter at se ikke kun den bedste måned, men også hvor langt omsætningen kan falde, hvilket bidrager til planlægning af pengestrømmen.

Matplotlibs standardetiketter for datomærker overlapper ofte eller bruger et ulæseligt format. Importér mdates fra matplotlib, og angiv en MonthLocator og en DateFormatter for at styre mærkefrekvens og etiketformat. Ved at rotere etiketterne 45 grader undgår du overlap på en akse med 12 måneder.

Fremhæv Q4-perioden (oktober–december) med en skygget baggrund ved hjælp af ax.axvspan(). Det gør sæsonmønstre synlige med det samme: Hvis toppen konsekvent falder i det skyggelagte område, er Q4 en vigtig salgsperiode, der er værd at målrette med kampagner. Parameteren alpha styrer gennemsigtigheden af skyggen.

Opret et diagram med flere linjer, hvor hver linje repræsenterer en produktkategori. Pivotér DataFrame'en med månedlige data pr. kategori, så kolonnerne er kategorier, og indekset er tid. Gå derefter gennem kolonnerne, og kald ax.plot() for hver af dem. Matplotlib tildeler automatisk en anden farve til hver linje, når funktionen kaldes gentagne gange på samme Axes.

Et stablet søjlediagram viser den samlede månedlige omsætning og viser samtidig hver kategoris bidrag til stakken. Brug monthly_cat.plot(kind='bar', stacked=True, ax=ax) direkte på den pivoterede DataFrame. Stablede søjler er bedst, når du har færre end seks kategorier; ellers bliver farverne svære at skelne fra hinanden.

Plot den procentvise vækst fra måned til måned sammen med omsætningen for at give kontekst: En visuelt lille søjle i januar kan repræsentere et vækstspring på 20 % fra den foregående måned. Beregn væksten med monthly.pct_change() * 100, og plot den på en sekundær y-akse ved hjælp af ax.twinx() for at dele den samme x-akse uden at blande enhederne sammen.

Brug fig.savefig('monthly_trend.png', dpi=150, bbox_inches='tight') til at generere en PNG-fil i høj opløsning, der egner sig til præsentationer eller webdashboards. Argumentet bbox_inches='tight' beskærer overskydende hvid plads, og dpi=150 giver et skarpt billede uden en unødigt stor fil. Gem også som PDF til rapporter i trykkvalitet.

I denne lektion lærte du at: beregne månedlige omsætningstal og plotte dem som et linjediagram, lægge et glidende gennemsnit oven på diagrammet og annotere månederne med den højeste og laveste omsætning samt gemme figurer i høj kvalitet til publikation som PNG og PDF. Som det næste ser vi på sessionsdannelse og hændelsesrækkefølge i data om brugeradfærd.