pmdarima.datasets.load_ausbeer

pmdarima.datasets.load_ausbeer(as_series=False, dtype=<class 'numpy.float64'>)[source][source]

Quarterly beer production data.

Total quarterly beer production in Australia (in megalitres) from 1956:Q1 to 2008:Q3

Parameters:

as_series : bool, optional (default=False)

Whether to return a Pandas series. If False, will return a 1d numpy array.

dtype : type, optional (default=np.float64)

The type to return for the array. Default is np.float64, which is used throughout the package as the default type.

Returns:

rslt : array-like, shape=(n_samples,)

The ausbeer vector.

Notes

This is quarterly data, so m should be set to 4 when using in a seasonal context.

References

Examples

>>> from pmdarima.datasets import load_ausbeer
>>> load_ausbeer()
array([284., 213., 227., 308., 262., 228., 236., 320., 272., 233., 237.,
       313., 261., 227., 250., 314., 286., 227., 260., 311., 295., 233.,
       257., 339., 279., 250., 270., 346., 294., 255., 278., 363., 313.,
       273., 300., 370., 331., 288., 306., 386., 335., 288., 308., 402.,
       353., 316., 325., 405., 393., 319., 327., 442., 383., 332., 361.,
       446., 387., 357., 374., 466., 410., 370., 379., 487., 419., 378.,
       393., 506., 458., 387., 427., 565., 465., 445., 450., 556., 500.,
       452., 435., 554., 510., 433., 453., 548., 486., 453., 457., 566.,
       515., 464., 431., 588., 503., 443., 448., 555., 513., 427., 473.,
       526., 548., 440., 469., 575., 493., 433., 480., 576., 475., 405.,
       435., 535., 453., 430., 417., 552., 464., 417., 423., 554., 459.,
       428., 429., 534., 481., 416., 440., 538., 474., 440., 447., 598.,
       467., 439., 446., 567., 485., 441., 429., 599., 464., 424., 436.,
       574., 443., 410., 420., 532., 433., 421., 410., 512., 449., 381.,
       423., 531., 426., 408., 416., 520., 409., 398., 398., 507., 432.,
       398., 406., 526., 428., 397., 403., 517., 435., 383., 424., 521.,
       421., 402., 414., 500., 451., 380., 416., 492., 428., 408., 406.,
       506., 435., 380., 421., 490., 435., 390., 412., 454., 416., 403.,
       408., 482., 438., 386., 405., 491., 427., 383., 394., 473., 420.,
       390., 410.,  nan])

>>> load_ausbeer(True).head()
0    284.0
1    213.0
2    227.0
3    308.0
4    262.0
dtype: float64

Examples using pmdarima.datasets.load_ausbeer

Seasonal decomposition of your time-series

Seasonal decomposition of your time-series