Как задавать временные промежутки в google

Как правильно составить временные промежутки?

Есть некий скрипт. В определенный промежуток времени ставка должна быть 10, в другой промежуток 12.
Проблема следующая: как составить ночной временной промежуток так, чтобы он автоматически съезжал на след день после 24:00.
Когда я ставлю временной промежуток следующим образом

today_3am = datetime.today().replace(hours=3, minute=0) today_8pm = datetime.today().replace(hours=20, minute=0) if datetime.now() > today_8pm and datetime.now() < today_3am: return 0.5

То когда этот код будет проверяться в 9 вечера 27.08.2021 то today_3am будет равен 03:00.27.08.2021, что уже неверно, ведь мне нужен следующий день. Накидывать сутки через timedelta не подходит.

Если есть какая-нибудь хорошая библиотека для этой задачи - буду рад если порекомендуете, спасибо.

• Вопрос задан более двух лет назад
• 41 просмотр

2 комментария

Простой 2 комментария

Определить пересекающиеся временные промежутки

Как мне из этого списка выбрать только '9:00 - 15:00' и '16:00 - 20:00'? То есть, нужно выбрать только те промежутки времени, которые не пересекаются между собой (напр. 9:00 - 15:00 и 13:00 - 17:00 пересекаются, так как 13:00 входит в промежуток 9:00 - 15:00). Уже три дня не могу решить эту задачу, и кажется что ответ на поверхности, а понять не могу. Пробовал в циклах сравнивать каждый элемент списка с каждым элементом этого же списка, но ничего нормального так и не получилось. Буду благодарен, если кто-то поможет.

Отслеживать
задан 7 сен 2022 в 14:36
163 5 5 бронзовых знаков

Можно попробовать перевести в минуты, и путем сравнения получить нужные данные. Это больше на парсинг задача. Скину Jupyter-блокнот с решением

7 сен 2022 в 14:52

В общем случае можно сделать много разных выборок непересекающихся интервалов из одного набора, так что следует определить критерии выбора - например, просто жадный метод - взять первый, потом первый после его конца и так далее. Или оптимизация какая-то может быть - например, выбрать максимум по количеству интервалов

7 сен 2022 в 15:06

для лучшего понимания задачи дайте пример того как должен выглядеть вывод программы для например такого входа time_list = ['9:00 - 15:00', '10:00 - 12:00', '13:00 - 17:00', '16:00 - 20:00'] здесь для всех интервалов есть такие с которыми они пересекаются и с которыми не пересекаются.

8 сен 2022 в 7:13

4 ответа 4

Сортировка: Сброс на вариант по умолчанию

Жадный метод - отсортировать по началу интервалов.

Взять первый интервал, далее найти тот, который первым идёт после его конца, и так далее.

Отслеживать
ответ дан 7 сен 2022 в 15:11
51.5k 3 3 золотых знака 18 18 серебряных знаков 42 42 бронзовых знака

Я использовал иной подход - пользователь получает на руки бекенд-функцию, в которую вводит два промежутка в формате ЧЧ:ММ - ЧЧ:ММ, а на выходе получает булево значение, которое может спокойно обрабатывать фронтенд. Правда, пока что ее можно запутать, если указать, допустим, сначала вечерний промежуток, а потом утренний

7 сен 2022 в 17:26

Как и обещал, реализовал функцию, выполняющую бòльшую часть работы (даже дебаг-вывод есть). Почитай код, поймешь. Но, чтобы ты не терял интерес к задаче, эта функция имеет баг - если указать сначала вечерний промежуток времени, а потом утренний, то система будет выводить противоположное значение. Она возвращает только булево значение. Много переменных тут ради удобства чтения, а так это можно и в однострочник всунуть

Функция-парсер, выводит True, если промежутки пересекаются

def parse_time(first_time: str, second_time: str, debug=False): """ Возвращает True, если указанные промежутки времени пересекаются. Вводятся они в формате ЧЧ:ММ - ЧЧ:ММ """ first_time = first_time.split() second_time = second_time.split() first_time.pop(1) second_time.pop(1) first_time_start = first_time[0].split()[0] first_time_stop = first_time[1].split()[0] first_time_start_hours = eval(first_time_start.split(':')[0]) first_time_start_minutes = eval(first_time_start.split(':')[1]) first_time_stop_hours = eval(first_time_stop.split(':')[0]) first_time_stop_minutes = eval(first_time_stop.split(':')[1]) first_time_start_all_minutes = first_time_start_hours * 60 + first_time_start_minutes first_time_stop_all_minutes = first_time_stop_hours * 60 + first_time_stop_minutes second_time_start = second_time[0].split()[0] second_time_stop = second_time[1].split()[0] second_time_start_hours = eval(second_time_start.split(':')[0]) second_time_start_minutes = eval(second_time_start.split(':')[1]) second_time_stop_hours = eval(second_time_stop.split(':')[0]) second_time_stop_minutes = eval(second_time_stop.split(':')[1]) second_time_start_all_minutes = second_time_start_hours * 60 + second_time_start_minutes second_time_stop_all_minutes = second_time_stop_hours * 60 + second_time_stop_minutes if debug: print(first_time) print(f" + ") print(f"- -") print(second_time) print(f" + ") print(f"- -") print(first_time_start_all_minutes) print(first_time_stop_all_minutes) print(second_time_start_all_minutes) print(second_time_stop_all_minutes) if first_time_stop_all_minutes > second_time_start_all_minutes: return True 

У этой функции баг - если указать сначала поздний, а затем ранний промежуток времени, то система будет говорить противоположное истине

time = ['9:00 - 15:00', '13:00 - 18:00', '17:00 - 21:00'] # Вот здесь if parse_time(time[2], time[0]): print('Yes') else: print('No') 

Нахождение длительности временных интервалов в Python

Python-программисту, при работе со значениями, представляющими дату и время, часто нужно вычислять длительность временных интервалов. Из этого материала вы узнаете о том, как находить разницу между двумя временными метками, выраженную в часах, минутах и секундах.

А именно, здесь мы коснёмся следующих вопросов:

• Как пользоваться Python-модулем datetime для работы с датой и временем.
• Что собой представляют объекты timedelta и что они могут дать программисту.
• Как вычислять продолжительность временных интервалов, выражая результат в разных единицах измерения.

Python-модуль datetime

Для работы с датой и временем в Python используется модуль datetime . Он является частью стандартной библиотеки Python. Для того чтобы применить этот модуль в своём проекте — достаточно его импортировать:

import datetime 

Для вычисления продолжительности временного интервала нужно создать две различных отметки времени. Тут есть несколько вариантов:

• Два объекта date — стандартное представление даты.
• Два объекта time — стандартное представление времени.
• Два объекта datetime , комбинирующие сведения, которые обычно хранятся в объектах date и time .

Создание объектов date

Импортируем класс date из модуля datetime . Для того чтобы создать в Python объект date — можно воспользоваться обычной синтаксической конструкцией вида datetime.date(,,) . Вот пример создания объекта date с именем date1 :

from datetime import date date1 = datetime.date(2022,3,27) print(date1) # Вывод: 2022-03-27 

Этот код можно попробовать запустить в онлайн-интерпретаторе Python на Geekflare. Ещё можно установить Python у себя.

Из предыдущего примера видно, что дата выводится в формате YYYY-MM-DD .

Обратите внимание на то, что при создании объекта date месяц надо задавать с использованием целого числа, в начале которого нет дополнительных нулей. Обычно в числовой записи месяцев соответствующие числа дополняют нулями. Здесь же, например, чтобы указать Июнь, то есть — 6 месяц — нужно воспользоваться числом 6, а не 06.

Попробуйте запустить следующий фрагмент кода. Тут месяц намеренно записан неправильно — 03 вместо 3. Из-за этого возникает ошибка SyntaxError :

date1 = datetime.date(2022,03,27) print(date1) # Сообщение об ошибке File "", line 1 date1 = datetime.date(2022,03,27) ^ SyntaxError: invalid token 

Поговорим теперь о том, как создавать объекты time .

Создание объектов time

Для создания объектов time импортируем класс time . При создании таких объектов указывают следующие атрибуты класса: hour , minute , second и microsecond . Они, соответственно, позволяют указывать часы, минуты, секунды и микросекунды.

Правда, все эти атрибуты являются необязательными. Если какой-то из них опустить, предположим — second , то он, по умолчанию, будет установлен в 0.

В следующем примере показано создание объекта time с именем time1 . Так же, как и при работе с объектами date , объекты time можно выводить в консоль:

from datetime import time time1 = datetime.time(13,27,45,4600) print(time1) # Вывод: 13:27:45.004600 

Создание объектов datetime

Как видите, объекты типа date не содержат сведений о времени. А в объектах time нет информации о дате.

Но на практике обычно нужны данные и о дате, и о времени. Поэтому вместо двух вышеописанных классов рекомендуется прибегнуть к классу datetime .

Обратиться к этому классу и создать соответствующий объект ( dt1 ) можно так:

dt1 = datetime.datetime(2022,3,27,13,27,45,46000) print(dt1) # Вывод: 2022-03-27 13:27:45.046000 

Создадим ещё один объект datetime и дадим ему имя dt2 , опустив при его создании атрибут second . Это приведёт к тому, что он будет установлен в значение по умолчанию — 0.

dt2 = datetime.datetime(2022,6,30,14,28) print(dt2) # Вывод: 2022-06-30 14:28:00 

Итак, теперь вы знаете о том, как создавать Python-объекты date , time и datetime , представляющие отметки времени. Пришло время поговорить о том, как находить длительность временных интервалов.

Применение объектов timedelta

В Python объекты timedelta представляют собой сведения о промежутках времени. Это — разница двух объектов date , time или datetime .

Если сложить или вычесть два объекта date , time или datetime , получится объект timedelta . У этого объекта имеются полезные атрибуты и методы, которые могут помочь в деле нахождения длительности временных интервалов.

Посчитаем длительность интервала, задаваемого двумя объектами типа datetime — dt1 и dt2 :

dt1 = datetime.datetime(2022,3,27,13,27,45,46000) dt2 = datetime.datetime(2022,6,30,14,28) tdelta = dt2 - dt1 print(tdelta) print(type(tdelta)) # Вывод 95 days, 1:00:14.954000

Видно, что переменная tdelta хранит разницу между dt1 и dt2 . Тут, кроме того, пользуясь встроенной Python-функцией type() , мы проверили тип tdelta . Это — timedelta .

Проведём ещё один эксперимент.

Нахождение временного промежутка между двумя датами

Рассмотрим простой, но интересный пример.

Задача заключается в том, чтобы получить временную разницу между текущей датой (сегодняшним днём) и днём вашего рождения.

Для того чтобы её решить — надо сформировать первую отметку времени, указывающую на сегодняшний день, и вторую, указывающую на дату дня рождения.

Создадим пару объектов datetime :

• Первый будет хранить сегодняшнюю дату, мы назовём его today .
• Второй будет хранить дату дня рождения. Назовём его bday .

today = datetime.datetime.now() print(today) # Пример вывода: 2022-01-22 09:10:18.489538 

Пробуя следующий код, замените значение, попадающее в bday , на дату своего дня рождения текущего года. Это позволит узнать о том, сколько времени вам ещё его ждать в этом году.

Если же ваш день рождения в этом году уже прошёл, можете записать в bday дату из следующего года.

bday = datetime.datetime(2022,8,30,11,59) print(bday) # Пример вывода: 2022-08-30 11:59:00 

Следующий шаг нашей работы — нахождение разницы между двумя отметками времени. Её мы будем хранить в переменной time_diff . Подобные переменные, как мы уже говорили, имеют тип timedelta . Нам достаточно вычесть today из bday .

time_diff = bday - today print(f"Your birthday is in ") # Вывод Your birthday is in 220 days, 2:46:00.127416 

Для того чтобы узнать о том, сколько полных дней осталось до дня рождения, можно воспользоваться атрибутом days объекта типа timedelta .

tdays = time_diff.days print(f"Your birthday is in days.") # Вывод Your birthday is in 220 days. 

Выражение длительности временных промежутков в секундах

Теперь узнаем о том, сколько ждать дня рождения, выразив результат в секундах.

Для этого можно воспользоваться методом total_seconds() объекта типа timedelta . В следующем примере это — всё тот же объект time_diff .

tsecs = time_diff.total_seconds() print(f"Your birthday is seconds away.") # Вывод Your birthday is 19017960.127416 seconds away. 

Да, дня рождения придётся подождать!

Теперь вы знаете о том, как вычислять промежутки времени и выражать их в секундах.

Давайте вспомним то, что мы знаем о времени, и поговорим об измерении времени в днях, часах, минутах и секундах. В сутках 24 часа, в часе 60 минут, а 60 секунд — это минута.

Часы, минуты и секунды

Для перехода от секунд к минутам, дням или часам, можно воспользоваться следующей таблицей, деля значение в секундах на соответствующий коэффициент преобразования.

Из	В	Делим на
Секунд	Минуты	60
Секунд	Часы	60*60
Секунд	Дни	60*60*24

Воспользуемся этими знаниями.

Выражение длительности временных промежутков в минутах

Для того чтобы, имея данные о длительности промежутка времени, выраженные в секундах, узнать его длительность в минутах, нужно разделить общее число секунд на 60.

Разделим то, что хранится в переменной tsecs , на 60, и сохраним то, что получится, в переменной tmins :

tmins = tsecs/60 print(f"Your birthday is minutes away.") # Вывод Your birthday is 316966.0021236 minutes away. 

Выражение длительности временных промежутков в часах

Теперь посчитаем длительность временного промежутка, выраженную в часах. Учитывая то, что у нас уже есть значение, выраженное в минутах, для достижения этой цели его можно просто поделить на 60. Или можно поделить значение, выраженное в секундах, на 3600 (60*60).

thrs = tsecs/(60*60) print(f"Your birthday is hours away.") # Вывод Your birthday is 5282.76670206 hours away. 

Теперь вы знаете о том, как представлять разные промежутки времени в нужном вам виде.

Итоги

Освоив это руководство, вы узнали следующее:

• Как создавать объекты, содержащие сведения о дате и времени, пользуясь модулем datetime , и как работать с такими объектами.
• Как пользоваться объектами типа timedelta для нахождения длительности временных промежутков или разницы между двумя объектами, содержащими сведения о дате или времени.
• Как выражать длительность временных промежутков в секундах, минутах и часах.

Какие задачи вы решаете с помощью Python?

Анализ временных рядов

Привет! В последние годы аналитика данных переживает настоящий бум. Все большее количество компаний принимают решение сбора, хранения и анализа данных, чтобы повысить эффективность своих бизнес-процессов и принимать решения на основе фактов.

Одним из наиболее важных инструментов в аналитике данных является анализ временных рядов. Временной ряд - это последовательность наблюдений за определенным параметром в разные моменты времени. Таким образом, временной ряд содержит информацию о том, как изменяется параметр со временем.

Примеры временных рядов могут включать данные о продажах продукции в определенный день или данные о температуре на определенной территории в различные временные промежутки. Цель анализа временных рядов - определить закономерности в изменениях параметра во времени и сделать прогноз на будущее.

Применение анализа временных рядов может быть полезно для многих областей, включая финансы, производство, социальные и экономические исследования, климатологию и другие. Конечно, важно понимать, что в процессе анализа временных рядов возможны некоторые трудности, поэтому следует уметь применять правильные методы и инструменты для получения корректных результатов.

Таким образом, временные ряды являются одним из важных компонентов современной аналитики данных и имеет большие практические применения в различных областях. Рассмотрим основные идеи.

Обзор методов анализа временных рядов: стационарность, автокорреляция, спектральный анализ

Анализ временных рядов является важным инструментом для многих областей, в том числе бизнеса, науки, технологий и экономики. Методы анализа временных рядов помогают понять поведение и изменение временных данных и выявить скрытые тенденции и закономерности. Существует три основных метода анализа временных рядов: стационарность, автокорреляцию и спектральный анализ.

Стационарность - это свойство временного ряда, которое означает, что его средние и стандартные отклонения не меняются со временем. Если временной ряд является стационарным, то его можно легко анализировать и прогнозировать. Нестационарный временной ряд может иметь тренд (постоянный рост или падение), цикличность (повторение циклов) или сезонность (повторение определенных событий в разное время года).

Один из способов проверки стационарности временных рядов - это использование графических методов, таких как график временных рядов, график автокорреляции и график частной автокорреляции. График временного ряда позволяет визуализировать изменения значений ряда с течением времени, график автокорреляции показывает корреляцию между значениями ряда в разные периоды времени, а график частной автокорреляции учитывает корреляцию только между двумя значениями, пропуская все промежуточные значения.

Автокорреляция - это мера корреляции между значениями ряда с разницей во времени. Если временной ряд имеет высокую автокорреляцию, это означает, что значения ряда в разные периоды времени имеют сильную связь между собой. Автокорреляцию можно вычислить с помощью функции корреляции Пирсона, которая вычисляет корреляцию между двумя переменными. Для временных рядов это означает вычисление корреляции между значениями ряда в разные периоды времени. Если автокорреляция является значимой, то это может означать наличие тренда, цикличности или сезонности в ряде.

Спектральный анализ позволяет исследовать частотную составляющую ряда. Он используется для выявления скрытых цикличных паттернов во временных рядах. Для этого временной ряд разбивается на сигналы разных частот, а затем анализируется спектр этих частот. Спектральный анализ часто используется для анализа финансовых рынков, в которых цены могут изменяться в зависимости от времени и частоты.

Каждый метод имеет свои преимущества и недостатки, и их выбор зависит от конкретной области применения.

Моделирование временных рядов: авторегрессионные модели, скользящее среднее, ARIMA, SARIMA

Моделирование временных рядов является важным инструментом для прогнозирования будущих значений ряда, что позволяет принимать более обоснованные решения в различных областях.

Авторегрессионные модели (AR-модели) используют прошлые значения ряда для прогнозирования его будущих значений. Эта модель предполагает, что текущее значение ряда зависит от его предыдущих значений. Наиболее популярной AR-моделью является модель первого порядка (AR(1)), которая предполагает, что текущее значение ряда зависит только от его предыдущего значения.

Примером использования AR-модели может служить анализ финансовых рынков. Например, с помощью AR-модели можно прогнозировать будущие цены акций на основе их прошлых значений. Если взять за основу прошлые цены и применить AR-модель, можно определить вероятные цены акций в будущем.

Следующий метод моделирования временных рядов - скользящее среднее (MA-модели). Эта модель использует прошлые значения ошибок - разницу между фактическими значениями ряда и его прогнозируемыми значениями, для прогнозирования будущих значений. Наиболее популярной MA-моделью является модель первого порядка (MA(1)), которая предполагает, что текущая ошибка зависит только от ее предыдущего значения.

Примером использования MA-модели может служить прогнозирование количества пользователей веб-сайта. Например, если предыдущие прогнозы ошиблись на определенный процент, можно использовать эту информацию в модели прогнозирования для улучшения точности прогноза количества пользователей.

ARIMA - это модель, комбинирующая авторегрессионные и скользящие средние модели. ARIMA позволяет моделировать данные, не являющиеся стационарными, как это не требуется для AR- и MA-моделей. ARIMA включает три параметра: параметр авторегрессии (р), параметр скользящего среднего (q) и параметр интегрирования (d).

Примером использования ARIMA может служить прогнозирование месячной выручки продукта на основе ежемесячных данных за прошлый год. Если прошлые данные имеют тренд, сезонность или циклы, можно использовать ARIMA для учета этих факторов в прогнозировании выручки.

SARIMA - это модель, комбинирующая ARIMA с сезонностью. SARIMA используется для моделирования сезонного поведения временных рядов. SARIMA - это расширение ARIMA с тремя дополнительными параметрами, определяющими сезонность: период сезонности (P), параметр авторегрессии со сезонностью (S) и параметр скользящего среднего со сезонностью (Q).

Примером использования SARIMA может служить прогнозирование продаж в интернет-магазине. Если продажи показывают сезонность, например, рост продаж в преддверии праздников, можно использовать SARIMA для прогнозирования продаж в будущих сезонах.

Прогнозирование временных рядов: методы экстраполяции, методы машинного обучения, прогнозирование с помощью SARIMA

Существует несколько методов прогнозирования временных рядов, включая методы экстраполяции, методы машинного обучения (регрессия, нейронные сети) и прогнозирование с помощью SARIMA.

Методы экстраполяции - это методы, которые используют значения предыдущих периодов для прогнозирования будущих значений ряда. Методы экстраполяции включают метод скользящего среднего, экспоненциальное сглаживание и метод Хольта-Винтерса. Метод скользящего среднего заключается в вычислении среднего значения ряда за определенный период, а затем использовании этого значения для прогнозирования будущих значений.

Экспоненциальное сглаживание использует экспоненциальную функцию для прогнозирования будущих значений, а метод Хольта-Винтерса добавляет тренд и сезонность к модели экспоненциального сглаживания.

Методы машинного обучения - это методы прогнозирования, которые используют данные прошлых значений ряда в качестве входных данных для модели обучения. Регрессия - это метод машинного обучения, который моделирует зависимость между независимыми (входными) и зависимыми (выходными) переменными. В случае прогнозирования временных рядов, независимыми переменными будут значения ряда в прошлых периодах, а зависимой переменной - будущие значения ряда. Нейронные сети - это более сложные методы машинного обучения, которые используют алгоритмы обработки информации, подобные тем, которые используют мозг. Нейронные сети могут использоваться для прогнозирования временных рядов и обычно имеют более высокую точность, чем методы экстраполяции.

Прогнозирование с помощью SARIMA - это метод прогнозирования, который использует модель SARIMA (Seasonal AutoRegressive Integrated Moving Average). Эта модель объединяет в себе методы авторегрессии, интегрированного скользящего среднего и сезонности, что позволяет прогнозировать будущие значения ряда на основе его предыдущих значений с учетом сезонных паттернов. SARIMA широко используется в экономике и финансах для прогнозирования цен на акции, индексы фондового рынка и т.д.

Примеры использования временных рядов

Приведем несколько примеров, как анализ временных рядов может использоваться для прогнозирования различных явлений в реальной жизни:

1. Прогнозирование трафика на дорогах. Анализ временных рядов может быть использован для прогнозирования трафика на дорогах, что поможет организовать работу служб управления трафиком и планировать дорожные ремонты. Для этого используются данных с датчиков, установленных на дорогах, анализируются трафиковые потоки в прошлом и строятся прогнозы для будущего времени. Это позволяет улучшить эффективность движения и сэкономить время путешественников.
2. Прогнозирование изменения погоды. Анализ временных рядов может быть также использован для прогнозирования изменений погоды. Одним из основных применений является прогнозирование температуры, осадков и других факторов, которые могут повлиять на жизнь людей и на экономику. Для этого используются данные о погоде в прошлом, а также данные о климате и других факторах, которые могут повлиять на будущие изменения погоды. Это позволяет заранее предупредить людей о возможных стихийных бедствиях и принимать соответствующие меры по их предотвращению.
3. Прогнозирование спроса на товар. Анализ временных рядов может быть использован для прогнозирования спроса на товары, что поможет фирмам планировать производство, закупки и продажи на рынке. Для этого используются данные о продажах товаров в прошлом, а также данные о различных факторах, которые могут повлиять на спрос в будущем (например, цены на конкурирующие товары, макроэкономические факторы).

Преимущества и недостатки

К преимуществам методов анализа и прогнозирования временных рядов можно отнести:

1. Позволяют оценить и выявить тенденции и цикличность временного ряда, что может привести к более точному прогнозированию будущих значений ряда;
2. Позволяют анализировать корреляцию между данными и выявлять зависимости между ними;
3. Позволяют определить влияние различных факторов на изменение ряда.

Тем не менее, методы анализа и прогнозирования временных рядов имеют и свои недостатки:

1. Недостаточное количество данных может существенно ограничить точность прогнозов;
2. Несмотря на составление относительно точных прогнозов на основе исторических данных, случайные факторы и внеплановые обстоятельства могут привести к неверному прогнозу;
3. Методы анализа временных рядов могут быть недостаточными, если данные обладают сезонностью и этот фактор не был учтен в анализе.

Заключение

Методы анализа временных рядов остаются крайне важными для принятия обоснованных решений в реальной жизни, и разработчики продолжают работать над дальнейшим улучшением этих методов.

В перспективе, методы анализа и прогнозирования временных рядов могут быть улучшены за счет использования более глубокого машинного обучения, например, нейронных сетей, и более точных статистических моделей, таких как модели глубокого обучения и прогнозирования с помощью SARIMA. Однако, необходимо учитывать, что точность прогнозов в зависимости от области может сильно варьироваться и требует дополнительного анализа результатов.

В конце статьи хочу порекомендовать вам бесплатный вебинар: "Аналитик и работа с проблемами и возможностями".

На занятии:

- разберете реестр методов работы с проблемами,
- определите, как аналитик может работать с проблемами и возможностями, а главное зачем это делать,
- рассмотрите, как может быть разделена ответственность между бизнес-аналитиком и системным аналитиков в этом контексте.

• sarima
• анализ временных рядов
• временные ряды
• аналитика данных