独家 | 手把手教你用Python进行时间序列分解和预测

最新推荐文章于 2024-08-20 00:47:51 发布
最新推荐文章于 2024-08-20 00:47:51 发布
阅读量1.4k 收藏 17
点赞数 3
文章标签： 大数据 python 机器学习 人工智能 数据分析
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/tMb8Z9Vdm66wH68VX1/article/details/111305932
版权
本文详述了使用Python进行时间序列数据的分解和预测，包括时间序列的基本概念、如何绘制时间序列图、时间序列的四个要素以及移动平均等预测方法。通过对航空旅客数据的分析，展示了如何进行季节性调整和趋势分析，提供了实用的Python代码示例。
摘要由CSDN通过智能技术生成

作者：Mohit Sharma

翻译：王闯（Chuck)

校对：王可汗

本文约4100字，建议阅读10+分钟

本文介绍了用Python进行时间序列分解的不同方法，以及如何在Python中进行时间序列预测的一些基本方法和示例。 

预测是一件复杂的事情，在这方面做得好的企业会在同行业中出类拔萃。时间序列预测的需求不仅存在于各类业务场景当中，而且通常需要对未来几年甚至几分钟之后的时间序列进行预测。如果你正要着手进行时间序列预测，那么本文将带你快速掌握一些必不可少的概念。

目录

  • 什么是时间序列？

  • 如何在Python中绘制时间序列数据？

  • 时间序列的要素是什么？

  • 如何分解时间序列？

  • 经典分解法

  • 如何获得季节性调整值？

  • STL分解法

  • 时间序列预测的基本方法：

  • Python中的简单移动平均（SMA）

  • 为什么使用简单移动平均？

  • Python中的加权移动平均（WMA）

  • Python中的指数移动平均（EMA）


什么是时间序列？

顾名思义，时间序列是按照固定时间间隔记录的数据集。换句话说，以时间为索引的一组数据是一个时间序列。请注意，此处的固定时间间隔（例如每小时，每天，每周，每月，每季度）是至关重要的，意味着时间单位不应改变。别把它与序列中的缺失值混为一谈。我们有相应的方法来填充时间序列中的缺失值。

在开始使用时间序列数据预测未来值之前，思考一下我们需要提前多久给出预测是尤其重要的。你是否应该提前一天，一周，六个月或十年来预测（我们用“界限”来表述这个技术术语）？需要进行预测的频率是什么？在开始预测未来值的详细工作之前，与将要使用你的预测结果的人谈一谈也不失为一个好主意。

如何在PYTHON中绘制时间序列数据？

可视化时间序列数据是数据科学家了解数据模式，时变性，异常值，离群值以及查看不同变量之间的关系所要做的第一件事。从绘图查看中获得的分析和见解不仅将有助于建立更好的预测，而且还将引导我们找到最合适的建模方法。这里我们将首先绘制折线图。折线图也许是时间序列数据可视化最通用的工具。

这里我们用到的是AirPassengers数据集。该数据集是从1949年到1960年之间的每月航空旅客人数的集合。下面是一个示例数据，以便你对数据信息有个大概了解。

#Reading Time Series Data
Airpassenger = pd.read_csv("AirPassengers.csv")
Airpassenger.head(3)

现在，我们使用折线图绘制数据。在下面的示例中，我们使用set_index（）将date列转换为索引。这样就会自动在x轴上显示时间。接下来，我们使用rcParams设置图形大小，最后使用plot（）函数绘制图表。

Airpassenger = Airpassenger.set_index('date')
pyplot.rcParams["figure.figsize"] = (12,6)
Airpassenger.plot()
pyplot.show()

航空旅客人数

 

1949-1960年间，乘飞机旅行的乘客人数稳定增长。规律性间隔的峰值表明增长似乎在有规律的时间间隔内重

最低0.47元/天 解锁文章
数据派THU
关注
时间序列的平稳性与差分法
lyp_1020k的博客
10-29 1万+
1、时间序列 时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。 2、为什么要平稳 我们的拿到的数据可能是千奇百怪的，但是我们要做预测，比如说如果我们想去预测股价，这些数据要有规律可循我们才可以进行预测，如果数据是随机出来的，一点规律也没有，那我们就很难建立一个模型预测接下来的数据，所以，在我们在预测的时候要求时间序列数据必须有一定的趋势，即未来的一段时间内仍能顺着现有的形态延续下去。 3、什么是平稳性
机器学习——时间序列ARIMA模型(一)：差分法详解
AI~天海的博客
05-01 1万+
机器学习——时间序列ARIMA模型(一)：差分法详解 一、所需数据的性质 平稳性 样本数据需随着时间序列而发生变化，且序列的均值和方差不发生明显变化。 预测出在未来的一段期间内数据顺着现有的“惯性”延续下去 现实案例如：股价预测，人口增长率预测 严平稳与弱平稳 严平稳：分布不随时间的改变而改变(期望为0，方差为1) 弱平稳：期望与依赖性不变(未来的值依赖于过去的值) 二、差分法 例如我们现在有一组数据，其随着时间的变化而呈现如下图趋势变化。 那么我们需要将此数据的方差变小，即让此曲线能够更平稳，进而使用我
STLDecompose: 基于Python的时间序列分解工具
gitblog_00097的博客
08-16 485
STLDecompose: 基于Python的时间序列分解工具 STLDecomposeA Python implementation of Seasonal and Trend decomposition using Loess (STL) for time series data.项目地址:https://gitcode.com/gh_mirrors/st/STLDecompose 项目介绍...
【时间序列】如何用差分让时间序列变得平稳-Python实践
qq_41103204的博客
04-25 2万+
目录1 概述2 平稳和非平稳时间序列3 让序列数据平稳4 差分转换4.1 线性增长的趋势4.2 季节性趋势5 总结 1 概述 时间序列数据集可能包含趋势和季节性，在建模之前可能需要将其删除。 趋势可能导致随时间变化的平均值，而季节性可能导致随时间变化的方差（variance），这两者都将时间序列定义为不稳定的（non-stationary）。稳定（Stationary）数据集是具有稳定均值和方差...
时间序列分析——第一章 差分方程
ML_python_get√的博客
03-21 3748
时间序列分析 时间序列分析时间序列分析第一章 差分方程1.1 导论 第一章 差分方程 1.1 导论 1、什么是时间序列？ 时间序列是按照时间先后顺序排列而成的随机序列。 2、什么是时间序列分析方法？ 时间序列分析研究时间序列所能反映的社会经济现象的发展过程和规律性，进而类推或延申，预测其发展趋势的动态方法。 3、时间序列分析步骤： （1）收集历史数据 （2）分析时间序列 （3）求解时间序列的趋势项、季节性、随机扰动项，建立时间序列模型 （4）利用时间序列模型预测未来值 4、时间序列分析的特点： （1）数据导
差分法（Differencing），多变量差分对多个时间序列进行联合分析
最新发布
u013531166的博客
08-20 866
差分法（Differencing）是时间序列分析中的一种重要技术，主要用于使非平稳时间序列变得平稳，以便能够应用诸如ARIMA（AutoRegressive Integrated Moving Average）模型等线性模型。非平稳时间序列通常具有趋势或季节性成分，通过差分可以去除这些成分，从而使数据更加适合建模和预测。
独家 | 手把手教你用Python的Prophet库进行时间序列预测
数据派THU
09-30 4651
作者：Jason Brownlee翻译：殷之涵校对：吴振东本文长度为4800字，建议阅读10+分钟本文为大家介绍了如何在Python中使用由Facebook开发的Prophet库进行自动...
python时间序列预测不连续怎么办_手把手教你用Python处理非平稳时间序列
weixin_39752215的博客
11-29 847
1. 平稳简介“平稳”是处理时间序列数据时遇到的最重要的概念之一：平稳序列是指其特性-均值、方差和协方差不随时间而变化的序列。让我们用一个直观的例子来理解这一点。考虑以下三个图形： 在第一幅图中，我们可以清楚地看到，均值随时间而变化(增加)，呈现上升的趋势。因此，这是一个非平稳序列。平稳序列不应该呈现出随时间变化的趋势。第二幅图显然看不到序列的趋势，但序列的变化是一个时间的函数。正如前面提到的，平...
python时间序列预测不连续怎么办_手把手教你用Python处理非平稳时间序列（附代码）...
weixin_39943586的博客
11-29 1131
本文约3600字，建议阅读10分钟。本文将重点介绍时间序列数据的平稳性检验方法。简介预测一个家庭未来三个月的用电量，估计特定时期道路上的交通流量，预测一只股票在纽约证券交易所交易的价格……这些问题都有什么共同点？它们都属于时间序列数据的范畴！如果没有“时间”成分，就无法准确地预测出结果。随着我们周围世界产生的数据越来越多，时间序列预测已成为数据科学家必须掌握的一项越来越关键的技能。然而，时间序列是...
手把手教你用Python处理非平稳时间序列_怎么对不平稳序列进行差分
2401_84557136的博客
05-03 1049
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。现在，来看一下KPSS检验的实现，并查看KPSS检验的结果。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。如果不能拒绝原假设，则该序列是非平稳的，这意味着序列可以是线性的，也可以是差分平稳的(将在下一节中更多地了解差分平稳)。
时间序列 差分
04-26
运用时间学列建立ARIMA模型时，用到的差分
【时间序列分析】差分运算及延迟算子的性质
CapsulE 的博客
10-19 2万+
差分运算 一阶差分： ∇xt=xt−xt−1\nabla{x_t}=x_t - x_{t-1}∇xt​=xt​−xt−1​ P阶差分： ∇pxt=∇p−1xt−∇p−1xt−1\nabla^p{x_t}=\nabla^{p-1}x_t - \nabla^{p-1}x_{t-1}∇pxt​=∇p−1xt​−∇p−1xt−1​ k步差分： ∇k=xt−xt−k\nabla_k=x_t - x_{t-...
杂谈时间序列对数据差分的意义
qq_41093717的博客
10-09 7479
差分的目的主要是消除一些波动 使数据趋于平稳 一阶差分后的确就是增量，这还比较好解释 ，而有时候一阶差分都未必能达到平稳，此时还要做二阶差分，这个就很难解释意义了。 所以对于多变量的时序 一般如果不平稳 我们会选择检验他们是否同阶单整然后在同阶单整的情况下做协整分析 。只要有协整关系 就可以用原始数据来建模 。我的理解就是放宽了平稳的要求，毕竟经济数据要平稳很多时候是难以达到的。 ...
序列长度 差分约束
a15063149271的博客
03-26 262
题目描述 　　有一个整数序列，我们不知道她的长度是多少（序列中整数的个数），但我们知道在某些区间中至少有多少个整数，用区间 [ai,bi,ci]来描述它，[ai，bi，ci]表示在该序列中处于[ai，bi]这个区间的整数至少有ci个。现在给出若干个这样的区间，请你求出满足条件的最短的序列长度是多少。如果不存在则输出 -1。 数据范围 (n&lt...
时间序列（四）ARIMA模型与差分
热门推荐
Cloud的博客
12-11 3万+
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import pandas as pd import nump
序列一次差分
Freopen的博客
03-01 1464
有很多题会有这样的题面：两段序列相似，当且仅当这两个序列长度相等并且其中一段整体加上（减去）一个数字等于另一段。然后不难发现这等价于两个序列，a1,a2,a3,a4,a5,a6...b1,b2,b3,b4,b5,b6...有a1-a2=b1-b2,a2-a3=b2-b3....然后一次差分，再用后缀数组之类的维护经典题是POJ1743还有一类变式，CodeForces - 232D 最需要注意的是...
差分序列
weixin_44368514的博客
08-02 2129
存在一个序列：A = {a1,a2,a3,…,an}; 这个序列的差分序列 B = {a1,a2 - a1, a3 - a2,…,an - a(n - 1)}; B[i] = A[i] - A[i - 1]; 差分序列的第i项等于原序列的第i项 减去 第i-1项。 并且原序列为差分序列的前缀和序列。 差分序列的一个最大好处： 当原序列的区间减去或加上一个值后， 差分序列只需O(1)的时间维护这个改变。 A 序列在[L,R]这个区间中的元素减少了 K, 那么 B[L] -= K; B[R + 1]
python STL分解
总裁余（余登武）博客
09-08 7476
文章目录一、原理二、代码示例 一、原理 分解函数成三部分：趋势、周期、和剩余部分（一般指噪声，均值为0） 分解就是将时序数据分离成不同的成分，分解有：长期趋势Trend、季节性seasonality和随机残差residuals 返回包含三个部分 trend（趋势部分） ， seasonal（季节性部分） 和residual (残留部分) 传入：一个序列，可以是时间序列 输出：趋势、周期、和剩余部分 三部分 函数详解链接：详解 二、代码示例 import statsmodels.api as sm impo
apriori算法_原理 + 代码｜手把手教你用Python实现智能推荐算法
06-12
好的，我了解了。关于 apriori 算法，它是一种经典的频繁项集挖掘算法，能够从大规模数据中发现物品之间的关联性。下面是 apriori 算法的原理和 Python 代码实现： ### 原理 apriori 算法的核心思想是利用频繁项集的性质，从候选项集中生成所有频繁项集。频繁项集指的是在数据集中出现频率超过预设阈值的项集。这里的阈值可以是支持度、置信度等度量指标。 算法流程： 1. 对数据集进行扫描，找出所有单个物品组成的候选项集； 2. 计算候选项集的支持度，剔除不满足最小支持度的项集； 3. 根据频繁项集的性质，使用候选项集生成下一级候选项集； 4. 重复步骤2和步骤3，直到无法生成更多的频繁项集。 ### 代码实现 下面是一个简单的 Python 实现，假设我们有一个包含多个交易记录的列表，每个交易记录是一个物品集合。我们要找出频繁项集，其中最小支持度为 0.5。 ```python def load_data(): """ 加载数据集 """ dataset = [ ['I1', 'I2', 'I5'], ['I2', 'I4'], ['I2', 'I3'], ['I1', 'I2', 'I4'], ['I1', 'I3'], ['I2', 'I3'], ['I1', 'I3'], ['I1', 'I2', 'I3', 'I5'], ['I1', 'I2', 'I3'] ] return dataset def create_c1(dataset): """ 生成所有单项候选集 """ c1 = set() for transaction in dataset: for item in transaction: c1.add(frozenset([item])) return c1 def calc_support(dataset, c, min_support): """ 计算候选集的支持度，并剔除不满足最小支持度的项集 """ count = {} for transaction in dataset: for item in c: if item.issubset(transaction): count[item] = count.get(item, 0) + 1 num_items = float(len(dataset)) ret_list = [] support_data = {} for item in count: support = count[item] / num_items if support >= min_support: ret_list.append(item) support_data[item] = support return ret_list, support_data def apriori_gen(lk, k): """ 生成下一级候选集 """ ret_list = [] len_lk = len(lk) for i in range(len_lk): for j in range(i + 1, len_lk): l1 = list(lk[i])[:k - 2] l2 = list(lk[j])[:k - 2] l1.sort() l2.sort() if l1 == l2: ret_list.append(lk[i] | lk[j]) return ret_list def apriori(dataset, min_support=0.5): """ apriori算法主函数 """ c1 = create_c1(dataset) d = list(map(set, dataset)) l1, support_data = calc_support(d, c1, min_support) l = [l1] k = 2 while len(l[k - 2]) > 0: ck = apriori_gen(l[k - 2], k) lk, sup_k = calc_support(d, ck, min_support) support_data.update(sup_k) l.append(lk) k += 1 return l, support_data ``` 我们可以调用 `apriori` 函数来计算频繁项集： ```python dataset = load_data() min_support = 0.5 frequent_itemsets, support_data = apriori(dataset, min_support) ``` `frequent_itemsets` 是一个列表，包含所有的频繁项集。`support_data` 是一个字典，记录每个项集的支持度。 以上就是 apriori 算法的原理和 Python 代码实现。
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
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