解决ARIMA模型中plot_acf画不出图的问题

最新推荐文章于 2024-07-09 23:02:26 发布
最新推荐文章于 2024-07-09 23:02:26 发布
阅读量1.3w 收藏 14
点赞数 22
分类专栏： 机器学习 文章标签： 时间序列 机器学习 自相关函数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/M17865923255/article/details/89195349
版权

问题描述：在画时间序列ACF时，调用

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(data, lags=40)
plt.show()

画不出图，或者是只能画出一条直线，如下图所示：

出现这种情况的原因是：plot_acf(data, lags=40)中的data没有dropna()。

解决方案：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

data = data.dropna()
plot_acf(data, lags=40)
plt.show()

结果如下：

&Ghost
关注
  • 22
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
使用ARIMA和Python建立时间序列模型及其问题
Dr_Kevin_Ye的博客
12-02 2417
继专栏上期介绍使用N阶差分项假设检验和Python识别时间序列形态，本期介绍使用ARIMA(整合差分移动自回归模型)和Python建立时间序列模型的方法，以及该方法在批量时间序列建模过程中会遇到的问题。 对于时间序列建模工作而言，一个关键的难题在于，影响时间序列的外界因素可能是繁杂而多变的，而在某些情况下，时间序列数据的时间间隔又是十分稀疏的。比如上市公司的季度营业收入数据，其繁杂的影响因素可能在一个或有限数个季度内发生了明显的变化，但是收集到的季度数据样本量却不足以可信地描述这些因素对上市公司季度收入的
python画不出来图是什么原因-完美解决ARIMA模型中plot_acf画不出图的问题
weixin_37988176的博客
11-01 2789
问题描述：在画时间序列ACF时，调用from statsmodels.graphics.tsaplots import plot_acf, plot_pacfplot_acf(data, lags=40)plt.show()画不出图，或者是只能画出一条直线，如下图所示：出现这种情况的原因是：plot_acf(data, lags=40)中的data没有dropna()。解决方案：from stat...
完美解决ARIMA模型中plot_acf画不出图的问题
01-21
问题描述：在画时间序列ACF时，调用 from statsmodels.graphics.tsaplots import plot_acf, plot_pacf plot_acf(data, lags=40) plt.show() 画不出图，或者是只能画出一条直线，如下图所示： 出现这种情况的原因是：plot_acf(data, lags=40)中的data没有dropna()。 解决方案： from statsmodels.graphics.tsaplots import plot_acf, plot_pacf data = data.dropna() plot_acf(data, l
Python绘制时序图，ACF和PACF图
北山啦的博客
06-03 3万+
在时序分析众多模型中，最为基础也是最为重要的有AR§模型，MA(q)模型，以及两者的结合ARMA(p,q)模型，同时考虑ARMA模型的平稳性，若有一个或多个根落于单位圆上，则此时的ARMA模型称作自回归单整移动平均过程，ARIMA(p,d,q)模型。 这里介绍Python绘制ACF和PACF图，进行模型定阶 导入模块 import sys import os import pandas as pd import matplotlib.pylab as plt %matplotlib inline im.
机器学习——时间序列ARIMA模型(四)：自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值
AI~天海的博客
05-11 2万+
python自相关函数ACF和偏自相关函数PACF用于判断ARIMA模型中p、q参数取值
做ACF图
qq_49232127的博客
10-07 774
。。
数理统计之数据预测：浅谈ARIMA模型
菱形继承
06-28 1万+
ARIMA模型 ARIMA模型最重要的地方在于时序数据的平稳性。平稳性是要求经由样本时间序列得到的拟合曲线在未来的短时间内能够顺着现有的形态惯性地延续下去，即数据的均值、方差理论上不应有过大的变化。平稳性可以分为严平稳与弱平稳两类。严平稳指的是数据的分布不随着时间的改变而改变；而弱平稳指的是数据的期望与向关系数（即依赖性）不发生改变。在实际应用的过程中，严平稳过于理想化与理论化，绝大多数的情况应...
python数据分析与挖掘实战（6）时序模式
Three123v的博客
09-10 415
时序模式 #!/usr/bin/env python # -*- coding:utf-8 -*- import pandas as pd discfile='E:\\pycharm\\python数据分析与挖掘实战数据及源码\\chapter5\\demo\\data\\arima_data.xls' forecastum=5 data=pd.read_excel(discfile,index...
python画出的图不是闭合的_完美解决ARIMA模型中plot_acf画不出图的问题
weixin_39646084的博客
12-22 900
问题描述：在画时间序列ACF时，调用from statsmodels.graphics.tsaplots import plot_acf, plot_pacfplot_acf(data, lags=40)plt.show()画不出图，或者是只能画出一条直线，如下图所示：出现这种情况的原因是：plot_acf(data, lags=40)中的data没有dropna()。解决方案：from stat...
arima.rar_R建立ARIMA模型_arima_arima R语言_morningy1g_时间序列，R
09-23
ARIMA模型，全称为自回归整合滑动平均模型（Autoregressive Integrated Moving Average Model），是时间序列分析中常用的一种预测模型。在R语言中，我们可以使用内置的`forecast`库来构建ARIMA模型。本教程将详细...
ARIMA模型（R语言）_farmer3em_arima_R语言_arimaR语言_R语言时间序列_
10-02
ARIMA模型，全称为自回归整合移动平均模型（Autoregressive Integrated Moving Average Model），是时间序列分析中的一个重要工具，尤其在预测和建模非稳定、非线性的时间序列数据时非常有效。本教程将深入探讨如何...
ARIMA_arima_python_时序预测python_
10-01
接着，我们通常会检查时间序列的稳定性，通过绘制`matplotlib`图表或使用`plot_acf`和`plot_pacf`函数来查看自相关（ACF）和偏自相关（PACF）图，以确定ARIMA模型的参数p, d, q。 ```python import matplotlib....
【机器学习】时间序列 ACF 和 PACF 理解、代码、可视化
fengdu78的博客
02-14 1万+
我们说时间序列可以被预测，主要基于以下事实：我们可以部分掌握影响该时间序列的因素的变化情况。换句话说，对时间序列进行预测，其实就是利用各种理论和工具，对观察到的时间序列进行“抽丝剥茧”，以试图掌握其变化的本质，从而对未来的表现进行预测。而自相关性是时序预测的基础，对于时序的平稳性、白噪声检测、确定 模型中的阶数（p/q）有着重要的作用。本篇将着重介绍自相关的概念 和 。ACF 自相关函数概念理...
statsmodels笔记：绘制ACF和PACF
qq_40206371的博客
11-02 4240
理论部分见算法笔记：ARIMA_UQI-LIUWJ的博客-CSDN博客3.1 & 3.2 1 绘制自相关函数ACF from statsmodels.graphics.tsaplots import plot_acf plot_acf(df['Temp']) plt.show() 2绘制偏自相关函数PACF from statsmodels.graphics.tsaplots import plot_pacf plot_pacf(df['Temp']) plt.show() ...
python时间序列动图_Python绘制时间序列数据的时序图、自相关图和偏自相关图
weixin_39657521的博客
11-23 676
时序图、自相关图和偏相关图是判断时间序列数据是否平稳的重要依据。本文涉及的扩展库numpy、pandas、statsmodels一般可以使用pip进行在线安装，如果安装失败，可以到http://www.lfd.uci.edu/~gohlke/pythonlibs/下载相应的whl文件进行离线安装。另外，绘制自相关图的函数plot_acf()和绘制偏自相关图的函数plot_pacf()还有更多参数可...
机器学习（五）——时间序列ARIMA模型
热门推荐
爱吃串串的瘦子的博客
10-18 7万+
ARIMA模型 平稳性：  平稳性就是要求经由样本时间序列所得到的拟合曲线  在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去 平稳性要求序列的均值和方差不发生明显变化 严平稳与弱平稳：  严平稳：严平稳表示的分布不随时间的改变而改变。  弱平稳：期望与相关系数（依赖性）不变  未来某时刻的t的值Xt就要依赖于它过去的信息，所以需要依赖性 1.导包 #美国消费者信心指数 im...
acf看序列是否平稳_时间序列分析-ARIMA模型（python）
weixin_30562757的博客
02-06 4844
时间序列概念：在生产和科学研究中，对某一个或者一组变量 进行观察测量，将在一系列时刻 所得到的离散数字组成的序列集合，称之为时间序列。时间序列分析是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。常用的时间序列模型有很多种，在本文中主要研究ARIMA模型，也是实际案例中最...
Python时间序列分析
颠沛的小丸子
12-18 3081
引入数据包 from __future__ import print_function import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm from statsmodels.graphics.api import qqplot from statsmodels.graphics.ts...
中文分词-基于机器学习
最新发布
m0_57922605的博客
07-09 732
之前介绍了几种简单的中文分词方式，但是这几种分词方式都太依赖词库了。有没有不依赖词库的方式，重新思考，如果想要对一句话进行分词，我们需要什么知道什么？对于每一个字，我们想知道它是不是一个词的边界。蓝色表示不是词边界，红色表示是词边界。问题转化为：对于句子中的每一个字，进行二分类判断，正类表示这句话中，它是词边界，负类表示它不是词边界标注数据、训练模型，使模型可以完成上述判断，那么这个模型，可以称为一个分词模型。这次分词实战和上一次深度学习实战之简单文本分类。
import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom statsmodels.tsa.arima_model import ARIMAfrom sklearn.metrics import mean_squared_errorimport pymysqlimport time, osimport reimport requestsimport urllibfrom datetime import datetimefrom statsmodels.graphics.tsaplots import plot_acf, plot_pacf# 导入模块import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom statsmodels.tsa.arima_model import ARIMAfrom sklearn.metrics import mean_squared_errorimport pymysqlfrom datetime import datetimefrom statsmodels.graphics.tsaplots import plot_acf, plot_pacf# 连接数据库connect = pymysql.connect(host='localhost', # 本地数据库 user='root', password='123456', port=3306, charset='utf8', database='sheji') # 数据库名称cur = connect.cursor()# 读取数据try: select_sqli = "SELECT time,xiaoliang FROM sale where chexing='海豚';" cur.execute(select_sqli) data = pd.DataFrame(cur.fetchall(), columns=['time', 'xiaoliang'])except Exception as e: print("读取数据失败:", e)else: print("读取数据成功")# 转换时间格式data['time'] = pd.to_datetime(data['time'], format='%Y-%m')data = data.set_index('time')diff_data = data.diff().dropna()# 绘制自相关图和偏自相关图plot_acf(diff_data)plot_pacf(diff_data)# 确定 ARIMA 模型的参数p = 1d = 1q = 1model = ARIMA(data, order=(p, d, q))model_fit = model.fit(disp=0)# 预测销量y_pred = model_fit.predict(len(data), len(data) + 11, typ='levels')# 绘制预测结果plt.plot(data)plt.plot(y_pred, color='red')plt.show()# 关闭数据库连接cur.close()connect.close()请将这段代码改为移动平均模型
05-31
下面是将上述代码改为移动平均模型的示例： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.arima_model import ARIMA from sklearn.metrics import mean_squared_error import pymysql from datetime import datetime from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 连接数据库 connect = pymysql.connect(host='localhost', # 本地数据库 user='root', password='123456', port=3306, charset='utf8', database='sheji') # 数据库查询语句 select_sql = "SELECT time, xiaoliang FROM sale WHERE chexing='海豚';" # 读取数据 try: data = pd.read_sql(select_sql, connect, index_col='time', parse_dates=True) except Exception as e: print("读取数据失败：", e) else: print("读取数据成功") # 移动平均模型 window_size = 3 data_ma = data.rolling(window_size).mean() data_ma.dropna(inplace=True) # 绘制自相关图和偏自相关图 plot_acf(data_ma) plot_pacf(data_ma) # 选择移动平均模型的滞后阶数 q = 1 # 构建移动平均模型并拟合数据 model = ARIMA(data_ma, order=(0, 0, q)) model_fit = model.fit(disp=False) # 预测销量并绘图 y_pred = model_fit.predict(len(data_ma), len(data_ma) + 11, typ='levels') plt.plot(data_ma, label='Original Data') plt.plot(y_pred, color='red', label='Predicted Data') plt.legend() plt.show() # 关闭数据库连接 connect.close() ``` 以上代码通过 rolling() 函数进行滑动窗口处理，计算移动平均值，并选择滞后阶数，然后构建移动平均模型，拟合数据，并进行预测和绘图。需要注意的是，移动平均模型需要对数据进行平稳化处理，否则预测结果可能会出现误差。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值