/%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97/ Recent content in 时间序列 on 老张开工了 Hugo zh-cn Sun, 12 Jan 2025 00:00:00 +0000 /posts/2025/01/time-series-analysis/ Sun, 12 Jan 2025 00:00:00 +0000 /posts/2025/01/time-series-analysis/ 时间序列数据无处不在——股价、气温、网站流量、销售额、传感器读数……任何按时间顺序记录的数据都是时间序列。 时间序列分析和其他分析最大的不同在于：数据点之间不是独立的。今天的股价和昨天的股价有关，这个月的销量受上个月的影响。这种时序依赖性既是挑战也是机会——它让我们能做预测。 环境准备 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from statsmodels.tsa.stattools import adfuller, acf, pacf from statsmodels.tsa.seasonal import seasonal_decompose from statsmodels.tsa.holtwinters import ExponentialSmoothing, SimpleExpSmoothing from statsmodels.tsa.arima.model import ARIMA from statsmodels.graphics.tsaplots import plot_acf, plot_pacf import warnings warnings.filterwarnings('ignore') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False sns.set_theme(style='whitegrid') 时间序列基础操作 创建和转换时间索引 # 从列创建日期时间 dates = pd.date_range(start='2023-01-01', periods=365, freq='D') ts = pd.Series(np.random.randn(365), index=dates) print(ts.head()) print(f'索引类型: {ts.index.dtype}') # 字符串转 datetime df = pd.