Телеграм канал «Постоянный репозиторий по Python»

📈 Генерация реалистичных временных рядов для Superset При подготовке демо-дашбордов часто возникает соблазн сгенерировать данные простым random(). Проблема в том, что такие ряды моментально выглядят неестественно: нет сезонности, нет тренда, нет провалов и всплесков, нет пропусков. Если данные выглядят «синтетически», то и визуализации в BI-системе перестают быть убедительными. Что делает временной ряд похожим на реальные данные В базовом, но уже практичном варианте стоит учитывать: • тренд — метрики редко стоят на месте • сезонность — суточную и недельную • шум, зависящий от уровня значений • события — всплески (акции, релизы) и провалы (инциденты) • пропуски и дубликаты — неизбежная реальность ETL Такой ряд уже можно использовать: • для time-series графиков, • для поиска аномалий, • для демонстрации gap’ов, • для обучения работе с агрегациями и фильтрами. trend = day_index * trend_per_day daily = np.sin(2 * np.pi * hour / 24) weekly = np.sin(2 * np.pi * dow / 7) metric = base_level + trend + daily + weekly + noise Именно комбинация детерминированных эффектов + управляемой случайности даёт правдоподобный результат. Полный код генерации Полный пример с: • трендом • суточной и недельной сезонностью • аномалиями • пропусками и дубликатами • готовым CSV под загрузку в Superset 👉 GitHub Gist: https://gist.github.com/golubnichiy/1a721fae5c9347d61a018fdfb0b6bc84