提示和最佳实践

使用趋势分析的最佳实践

• 确保足够的数据量以进行准确的趋势分析

  为了获得更准确的趋势分析结果，确保您的数据量足够大非常重要。运行趋势分析至少需要三个数据点。

• 使用高质量连续时间数据进行趋势分析

  尽管Strategy在趋势分析之前进行轻量级的数据处理，例如填充缺失的指标数据，建议对连续的、高质量的基于时间的数据进行趋势分析。如果缺少大量指标数据，趋势分析结果可能会受到影响。值得注意的是，如果属性包含 NULL 或 NaN（非数字）值，趋势分析可能会失败或产生次优结果。虽然算法填补了缺失的指标值，但这可能会导致不准确的趋势分析。

• 统计意义

  在进行时间序列线性趋势分析时，考虑观察到的趋势的统计意义至关重要。统计显著性提供了一个客观衡量标准，即观察到的趋势可能是由于实际的潜在模式还是仅仅是数据随机波动的结果。使用工具提示访问关键指标，如 R、R 平方和 p 值。

优化趋势分析折线图解读

充分利用趋势分析折线图视觉效果！

• 信息图标将鼠标悬停在信息图标上，可以查看有关底层模型及其参数的统计属性的信息。

• 扩大清晰度如果需要更详细的信息并显示整个数据点集，请展开可视化或设置容器适配到没有任何。这增强了图表的可读性。

趋势分析常见问题解答

当前版本使用什么时间序列趋势分析方法

最新版本中使用的时间序列趋势分析方法称为线性回归。该方法在文本网站。您可以参考 statsmodel Python 模块（时间序列分析 tsa - statsmodels 0.14.0）了解更多技术细节。

成功的趋势分析需要哪些类型的属性和指标？

为了成功绘制数据趋势，您需要：

• 日期或日期时间类型的单一属性 + 感兴趣的单一指标（推荐）

• 单个 int 类型的属性 + 感兴趣的指标（当日期/日期时间属性无法用于时间序列趋势分析时）

趋势分析中是否处理缺失数据？

是的，如果指标具有相应的时间序列数据，算法可以自动填充指标的缺失值。这只是为了计算，所以结果可视化仍然会显示缺失的数据。该算法使用前向和后向填充，根据方向使用邻近值。主要方法是前向抓取，即获取前一个邻居。如果第一个值缺失，则运行向后填充来估计一个值。

支持哪些基于时间的属性趋势分析级别？

支持基于日期、日期时间或基于整数的时间属性的基于时间的属性趋势分析。只要属性是上述类型之一，该算法就支持所有时间级别。