python做时间序列分析详解

于 2024-09-29 10:00:00 发布
阅读量383 收藏 6
点赞数 3
文章标签： python 数学建模 数据挖掘
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/m0_55024942/article/details/142456980
版权

综述

时间序列分析是一种统计技术，用于分析按时间顺序排列的数据点。它在许多领域中都有应用，如经济学、气象学、金融学等。时间序列分析的目的是通过对历史数据的学习，来预测未来的趋势、季节性变化、周期性变化等。下面是时间序列分析中的一些核心数学原理和公式：
在这里插入图片描述
在这里插入图片描述

常用的包

在Python中，有几个流行的库可以用于时间序列分析。以下是一些主要的包以及它们在时间序列分析中的一些应用示例。

  1. pandas:
    Pandas是Python中处理时间序列数据的基础库。它提供了DateTimeIndex，可以轻松地将时间数据设置为序列的索引，并进行时间序列分析。

    示例代码：

    import pandas as pd

# 创建时间序列数据
dates = pd.date_range('20230101', periods=6)
data = pd.Series([1, 3, 2, 5, 4, 6], index=dates)
print(data)

  2. NumPy:
    NumPy提供了一些基础的数学函数，可以用来进行时间序列数据的数值计算。

    示例代码：

    import numpy as np

# 计算移动平均
window_size = 3
moving_average = np.convolve(data, np.ones(window_size)/window_size, mode='valid')
print(moving_average)

  3. statsmodels:
    Statsmodels是一个统计模型库，它提供了许多用于时间序列分析的模型，如ARIMA、季节性分解等。

    示例代码：

    import statsmodels.api as sm

# ARIMA模型
model = sm.tsa.ARIMA(data, order=(1, 1, 1))
results = model.fit()
print(results.summary())

  4. matplotlib:
    Matplotlib是一个绘图库，可以用来绘制时间序列数据和分析结果。

    示例代码：

    import matplotlib.pyplot as plt

# 绘制时间序列数据
plt.plot(data)
plt.title('Time Series Data')
plt.xlabel('Date')
plt.ylabel('Value')
plt.show()

  5. SciPy:
    SciPy库提供了信号处理工具，可以用来进行时间序列的平滑和其他操作。

    示例代码：

    from scipy.signal import savgol_filter

# 使用Savitzky-Golay滤波器进行平滑
filtered_data = savgol_filter(data, window_length=5, polyorder=2)
print(filtered_data)

  6. scikit-learn:
    Scikit-learn是一个机器学习库，它提供了一些可以用来进行时间序列预测的模型。

    示例代码：

    from sklearn.linear_model import LinearRegression

# 使用线性回归进行时间序列预测
model = LinearRegression()
model.fit(np.arange(len(data)).reshape(-1, 1), data)
predictions = model.predict(np.arange(len(data), len(data) + 10).reshape(-1, 1))

  7. Prophet:
    Prophet是由Facebook开发的库，专门用于时间序列预测，它能够处理节假日效应和趋势变化。

    示例代码：

    from prophet import Prophet

# 创建Prophet模型并拟合数据
df = pd.DataFrame({'ds': dates, 'y': data})
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=10)
forecast = m.predict(future)
print(forecast[['ds', 'yhat']])

  8. tslearn:
    Tslearn是一个专门用于时间序列数据的机器学习库，提供了时间序列聚类、分类和回归算法。

    示例代码：

    from tslearn.clustering import TimeSeriesKMeans

# 使用K-Means聚类时间序列数据
model = TimeSeriesKMeans(n_clusters=2, max_iter=10)
model.fit(data.values.reshape(-1, 1))
print(model.predict(data.values.reshape(-1, 1)))

这些库可以单独使用，也可以结合使用，以满足不同的时间序列分析需求。在实际应用中，通常需要对数据进行预处理、模型选择、参数调优和结果评估等步骤。

判断是否具有季节性

import pandas as pd
df = pd.read_excel("D:\\PC-backups\\浏览器下载\\尽职调查.xlsx", skiprows=6)
df['月份'] = pd.to_datetime(df['月份'])
df = df[['业务分类','月份','销售额']]

import pandas as pd
import numpy as np


# 计算每个月份的平均销售额
mean_sales = df.groupby('月份')['销售额'].mean()

# 计算每个月份的季节性强度
df['季节性强度'] = df['销售额'] / df['月份'].map(mean_sales)

# 计算每个业务分类的季节性强度平均值
mean_seasonality = df.groupby('业务分类')['季节性强度'].mean()

# 计算每个业务分类的季节性指数
df['季节性指数'] = df['业务分类'].map(mean_seasonality)

# 判断季节性是否显著
df['季节性显著性'] = np.where(df['季节性指数'] > 1.5, '显著', '不显著')

# 输出结果
print(df)
df.to_excel("D:\\PC-backups\\浏览器下载\\try.xlsx")

季节性分解

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

df = data.dropna(subset=['sales(bulbs+kits)'])

# 季节性分解
result = seasonal_decompose(df['sales(bulbs+kits)'], model='additive', period=12) #additive  multiplicative

# 可视化分解结果
fig, (ax1, ax2, ax3, ax4) = plt.subplots(4, 1, figsize=(10,8))
result.observed.plot(ax=ax1)
ax1.set_ylabel('Observed')
result.trend.plot(ax=ax2)
ax2.set_ylabel('Trend')
result.seasonal.plot(ax=ax3)
ax3.set_ylabel('Seasonal')
result.resid.plot(ax=ax4)
ax4.set_ylabel('Residual')
plt.tight_layout()
plt.show

# 获取分解结果
df_result = pd.DataFrame({'Observed': result.observed,
                          'Trend': result.trend,
                          'Seasonal': result.seasonal,
                          'Residual': result.resid})

# 打印前几行
print(df_result)

df_result = df_result.dropna()

from sklearn.metrics import mean_squared_error
import numpy as np

# 计算MSE
mse = mean_squared_error(df_result['Observed'], df_result['Trend'] + df_result['Seasonal'] + df_result['Residual'])

print("MSE:", mse)

from sklearn.metrics import r2_score

r2 = r2_score(df_result['Observed'], df_result['Trend'] + df_result['Seasonal'] + df_result['Residual'])

print("R方值为:", r2)

from sklearn.metrics import mean_absolute_error
df_result.fillna(df_result.mean(), inplace=True)


# 计算季节性分解的MAE
mae = mean_absolute_error(df_result['Observed'], df_result['Trend'] + df_result['Seasonal'] + df_result['Residual'])
print('MAE:', mae)

from sklearn.metrics import mean_absolute_percentage_error

# 计算MAPE
mape_value = mean_absolute_percentage_error(df_result['Observed'], df_result['Trend'] + df_result['Seasonal'] + df_result['Residual'])

print("MAPE值为:", mape_value)

ARIMA建模

在这里插入图片描述

dff = dff.loc[:,['月份','sales_amount']]
dff = dff.set_index('月份')

import statsmodels.api as sm
# 单位根检验-ADF检验
print(sm.tsa.stattools.adfuller(dff['sales_amount']))

from statsmodels.stats.diagnostic import acorr_ljungbox
# 白噪声检验
acorr_ljungbox(dff, lags = [1,2,3,4,5,6,7],boxpierce=True)

# 计算ACF
acf=plot_acf(dff)
plt.title("sales_amount of ACF")
plt.show()

# PACF
pacf=plot_pacf(dff)
plt.title("sales_amount of PACF")
plt.show()

# 根据拖尾和截尾确定模型阶数
model = sm.tsa.arima.ARIMA(dff,order=(1,0,0))
arima_res=model.fit()
arima_res.summary()

# 根据AIC、BIC决定模型阶数
trend_evaluate = sm.tsa.arma_order_select_ic(dff, ic=['aic', 'bic'], trend='n', max_ar=20,
                                            max_ma=5)
print('train AIC', trend_evaluate.aic_min_order)
print('train BIC', trend_evaluate.bic_min_order)

# 模型预测
predict=arima_res.predict()
plt.plot(dff.index,dff)
plt.plot(dff.index,predict)
plt.legend(['y_true','y_pred'])
plt.show()
print('月份数：',len(predict))
# 模型评价
from sklearn.metrics import r2_score,mean_absolute_error
print(mean_absolute_error(dff,predict)

      # 模型评价
from sklearn.metrics import r2_score,mean_absolute_error
print(mean_absolute_error(dff,predict))

dff['predict'] = predict
dff['err'] = dff['predict'] - dff['sales_amount']
residual=list(dff['err'])
plt.plot(residual)

# 查看残差的均值
np.mean(residual)

# 查看残差的正态性检验
import seaborn as sns
from scipy import stats
plt.figure(figsize=(10,5))
ax=plt.subplot(1,2,1)
sns.distplot(residual,fit=stats.norm)
ax=plt.subplot(1,2,2)
res=stats.probplot(residual,plot=plt)
plt.show()

SARIMA建模

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 读取时间序列数据
# 拟合SARIMA模型
df = data.dropna(subset=['sales(kits)'])

model = sm.tsa.statespace.SARIMAX(df['sales(kits)'], order=(1,1,0),seasonal_order=(0,0,0,12))
results = model.fit()

# 查看模型的统计信息
print(results.summary())

# 预测未来的时间序列
forecast = results.forecast(steps=12,dynamic=True)
print(forecast)
徐木叶
关注
python时间序列数据分析_《利用Python进行数据分析》——时间序列
weixin_29628479的博客
02-10 776
时间序列时间序列数据是一种非常重要的结构化数据形式，应用于：金融学、经济学、神经科学、物理学等多个领域。很多时间序列是固定频率的，数据点是根据某种规律定期出现的时间序列也可以是不定期的，没有固定的单位或者单位之间的偏移量应用场景时间戳timestamp，特定的时刻pandas通过numpy的datatime64数据类型以纳秒形式存储时间戳固定时期period时间间隔interval，由起始和结束的...
python数据处理
hewj_python的博客
06-09 1215
csv数据处理csv表示”Comma-Separated Values(逗号分隔的值)”，csv文件时简化的电子表格，保存为纯文本文件。python中解析csv文件可以使用csv模块。注意：csv是文本文件，通过打开文件的操作，将其内容读入一个字符串，然后通过字符串的split()方法处理每行文本取得值。需要注意csv文件中也有自己的转义字符，允许逗号或者其他字符作为值的一部分，split()方法...
【Python】时间序列分析
noobiee的博客
10-27 6532
同时，小值样本可能存在更大的误差，比如真实值是1，预测值是2，这偏差就是100%了，小样本本来就噪声大。但是时间序列分析的数据结构有它的特殊性，对随机序列而言，在任意时刻t的序列值Xt都是一个随机变量，而且由于时间的不可重复性，该变量在任意时刻只能获得唯一的样本观测值。对于ARIMA模型，其残差被假定为高斯白噪声序列，所以当我们用ARIMA模型去拟合数据时，拟合后我们要对残差的估计序列进行LB检验，判断其是否是高斯白噪声，如果不是，那么就说明ARIMA模型也许并不是一个适合样本的模型。
15个Python数据分析实用技巧（非常详细）零基础入门到精通，收藏这一篇就够了
Hacker_doggy的博客
07-15 2810
练习技巧：选取一个实际数据集，从数据导入开始，逐步应用上述技巧，先做简单的数据清洗和描述性分析，然后尝试预测模型或可视化复杂关系。使用技巧：在处理大数据时，考虑使用Dask或Vaex代替Pandas，以提高效率。注意事项：数据隐私和安全永远是首位的，确保在合法合规的范围内处理数据。通过这些实战策略和技巧的运用，你的数据分析能力将得到显著提升。
时间序列分析【python代码实现】
m0_73916791的博客
11-28 1984
请注意，在运行代码之前需要安装Keras、scikit-learn、pandas和matplotlib等库，并将时间序列数据保存为CSV文件（文件名为’time_series_data.csv’）。请注意，在运行代码之前需要安装statsmodels、pandas和matplotlib等库，并将时间序列数据保存为CSV文件（文件名为’time_series_data.csv’）。常见的时间序列分析包括时间序列的平稳性检验、自相关性和部分自相关性分析、时间序列模型的建立和预测等。将数据归一化到0-1的范围。
Python 数学建模——ARMA 时间序列分析
最新发布
wr114514的博客
09-14 856
介绍了 ARMA 时间序列预测方法的使用，结合一个案例使用 Python 进行了建模探讨。
详解用Python进行时间序列预测的7种方法
09-17
以上方法中，朴素法和移动平均法较为基础，而ARIMA、SARIMA和状态空间模型等更为复杂，需要对时间序列分析有深入理解。机器学习方法则提供了更灵活的预测能力，但可能需要更多的数据和计算资源。在实践中，可以根据...
python Pandas库基础分析之时间序列的处理详解
09-19
在Python数据分析领域，Pandas库扮演着至关重要的角色，尤其在处理时间序列数据时，它的功能强大且易于使用。本文将深入探讨Pandas库在时间序列处理方面的基础知识，包括生成日期序列、时间序列的索引操作以及时间...
Python如何根据时间序列数据作图
09-16
### Python时间序列数据分析与绘图详解 在大数据和数据分析领域，时间序列数据是十分常见的一类数据类型。这类数据按照时间顺序记录了某个指标的变化情况，对于预测分析、趋势研究等有着重要的应用价值。本文将详细...
python的数据处理
m0_49586319的博客
12-03 1294
python的数据相关操作
Python数据处理
既然选择远方，便只顾风雨兼程！
01-17 4566
文章目录matplotlib概念绘制折线图设置图片大小保存图片定义坐标轴的疏密总代码案例定义坐标轴的刻度设置字体显示中文添加描述信息改进后绘制网格线案例绘制散点图案例绘制条形图案例绘制直方图案例绘制饼图案例numpy数组基础创建形状降维取值使用轴文件读取数据数组的转置数组高阶索引和切片修改和布尔索引nan和inf统计函数去除nan数组的拼接数据的行列交换其他方法pandasseries创建切片和索引读取数据DataFrame创建连接mongo读取数据处理数据基本用法取行取列loc布尔索引字符串索引数据处理缺
Python 数据处理
Learn2Learn的博客
10-27 733
收集整理平时跑实验遇到的数据处理问题（不定期更新）文件处理相关文件遍历文件名序列化获取特定文件路径图片处理PIL 文件处理相关 文件遍历 用os.walk()比较方便 示例代码： import os workdir='./Data/' for root,dirnames,filenames in os.walk(workdir): for name in filenames: ...
python处理数据
HXiao0805的博客
12-22 655
python基础-python处理数据 1、数据排序，python有两种选择。原地排序，排序后的数据替换原来的数据，原来的顺序会丢失，对于列表，sort()方法提供原地排序；复制排序，返回原数据的有序副本，原数据的顺序依然保留，sorted()支持复制排序。 2、数据排序示例 #filename列表形式文件名 def deal_file(filename): datalist=[] try: for item_name in filename: ...
评论
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

打赏作者

徐木叶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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