[python] 时间序列分析-ARIMA

前言：我用的是python3.6版本。这篇博客参考了以下两篇博文，根据自己的理解重新整合，稍作修改代码，希望能够帮到大家。如果在过程中发现错误或者有更好的方式实现，欢迎大家发表评论。

        参考1:   https://blog.csdn.net/u010414589/article/details/49622625

        参考2:   https://blog.csdn.net/hal_sakai/article/details/51965657

正文：

一、时间序列建模基本步骤

1、获取被观测系统时间序列数据；

2、对数据绘图，观测是否为平稳时间序列；对于非平稳时间序列要先进行d阶差分运算，化为平稳时间序列；

3、经过第二步处理，已经得到平稳时间序列。要对平稳时间序列分别求得其自相关系数ACF 和偏自相关系数PACF ，通过对自相关图和偏自相关图的分析，得到最佳的阶层 p 和阶数 q

4、由以上得到的d、q、p得到ARIMA模型。然后开始对得到的模型进行模型检验。

二、实战解析

基础库： pandas；numpy；scipy；matplotlib；statsmodels ：

#-*- coding:utf-8 -*-
from __future__ import print_function
import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.graphics.api import qqplot
plt.rcParams['font.sans-serif']=['SimHei'] #用来画图时正常显示中文标签
plt.rcParams['axes.unicode_minus']=False  #用来画图时正常显示坐标轴负数
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.graphics.tsaplots import plot_pacf

2.1获取数据

这里我们使用一个具有周期性的测试数据，进行分析。

dta=

[10930,10318,10595,10972,7706,6756,9092,10551,9722,10913,11151,8186,6422, 6337,11649,11652,10310,12043,7937,6476,9662,9570,9981,9331,9449,6773,6304,9355, 10477,10148,10395,11261,8713,7299,10424,10795,11069,11602,11427,9095,7707,10767, 12136,12812,12006,12528,10329,7818,11719,11683,12603,11495,13670,11337,10232, 13261,13230,15535,16837,19598,14823,11622,19391,18177,19994,14723,15694,13248, 9543,12872,13101,15053,12619,13749,10228,9725,14729,12518,14564,15085,14722, 11999,9390,13481,14795,15845,15271,14686,11054,10395]

dta=np.array(dta,dtype=np.float)  #转换数据类型
dta=pd.Series(dta)
#print(type(dta))
dta.index=pd.Index(sm.tsa.datetools.dates_from_range('2001','2090'))
plt.plot(dta,label='原始数据')
plt.legend()