时间序列预测（数据使用passengers.csv，算法用ARIMA）

查看数据结构：

import pandas as pd
data = pd.read_csv('/Users/liailan/tmp/AirPassengers.csv')
print(data.head())

   Unnamed: 0     time  value
0           1  1949-01    112
1           2  1949-02    118
2           3  1949-03    132
3           4  1949-04    129
4           5  1949-05    121

输出：

   Unnamed: 0     time  value
0           1  1949-01    112
1           2  1949-02    118
2           3  1949-03    132
3           4  1949-04    129
4           5  1949-05    121

载入数据：

dateparse = lambda x:pd.datetime.strptime(x,'%Y-%m')
data = pd.read_csv('/Users/liailan/tmp/AirPassengers.csv',parse_dates=['time'],date_parser=dateparse)
data = data.set_index('time')

 确定序列是否稳定：

   直观观察：

import matplotlib.pylab as plt
%matplotlib inline
plt.plot(data.value)

可以看到，这个序列具有明显的趋势性和季节性，那么首先需要将序列转化为稳定序列，常用的有差分方法，这里采用另外一种，将数据分解为趋势序列，季节序列和残差序列

import numpy as np
ts_log = np.log(data['value'])
from statsmodels.tsa.seasonal import seasonal_decompose
decomposition = seasonal_decompose(ts_log,freq=12)
trend = decomposition.trend #趋势
seasonal = decomposition.seasonal  #季节性
residual = decomposition.resid     #残差序列
residual.dropna(inplace=True)

判断残差序列的稳定性：