Python数据分析与机器学习46-时间序列案例

最新推荐文章于 2024-03-16 16:26:29 发布
最新推荐文章于 2024-03-16 16:26:29 发布
阅读量605 收藏 7
点赞数 1
分类专栏： 数据分析 + 机器学习 Python # Python数据分析与机器学习 文章标签： python 机器学习 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/u010520724/article/details/126153487
版权

文章目录

一. 消费者信心指数数据分析

1.1 数据源介绍

sentiment.csv
美国消费者信心指数
image.png

1.2 时间序列图及差分图

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os

import pandas as pd
import numpy as np

import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt

import matplotlib.pylab as plt
import seaborn as sns

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 美国消费者信心指数
Sentiment = 'E:/file/sentiment.csv'
Sentiment = pd.read_csv(Sentiment, index_col=0, parse_dates=[0])

sentiment_short = Sentiment.loc['2005':'2016']

sentiment_short.plot(figsize=(12,8))
plt.legend(bbox_to_anchor=(1.25, 0.5))
plt.title("Consumer Sentiment")
sns.despine()

sentiment_short['diff_1'] = sentiment_short['UMCSENT'].diff(1)
sentiment_short['diff_2'] = sentiment_short['diff_1'].diff(1)
sentiment_short.plot(subplots=True, figsize=(18, 12))

del sentiment_short['diff_2']
del sentiment_short['diff_1']

fig = plt.figure(figsize=(12,8))

ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(sentiment_short, lags=20,ax=ax1)
ax1.xaxis.set_ticks_position('bottom')
fig.tight_layout();

ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(sentiment_short, lags=20, ax=ax2)
ax2.xaxis.set_ticks_position('bottom')
fig.tight_layout();


# 散点图也可以表示

lags=9

ncols=3
nrows=int(np.ceil(lags/ncols))

fig, axes = plt.subplots(ncols=ncols, nrows=nrows, figsize=(4*ncols, 4*nrows))

for ax, lag in zip(axes.flat, np.arange(1,lags+1, 1)):
    lag_str = 't-{}'.format(lag)
    X = (pd.concat([sentiment_short, sentiment_short.shift(-lag)], axis=1,
                   keys=['y'] + [lag_str]).dropna())

    X.plot(ax=ax, kind='scatter', y='y', x=lag_str);
    corr = X.corr().iloc[:,:].values[0][1]
    ax.set_ylabel('Original')
    ax.set_title('Lag: {} (corr={:.2f})'.format(lag_str, corr));
    ax.set_aspect('equal');
    sns.despine();

fig.tight_layout();


# 更直观一些
def tsplot(y, lags=None, title='', figsize=(14, 8)):
    fig = plt.figure(figsize=figsize)
    layout = (2, 2)
    ts_ax = plt.subplot2grid(layout, (0, 0))
    hist_ax = plt.subplot2grid(layout, (0, 1))
    acf_ax = plt.subplot2grid(layout, (1, 0))
    pacf_ax = plt.subplot2grid(layout, (1, 1))

    y.plot(ax=ts_ax)
    ts_ax.set_title(title)
    y.plot(ax=hist_ax, kind='hist', bins=25)
    hist_ax.set_title('Histogram')
    smt.graphics.plot_acf(y, lags=lags, ax=acf_ax)
    smt.graphics.plot_pacf(y, lags=lags, ax=pacf_ax)
    [ax.set_xlim(0) for ax in [acf_ax, pacf_ax]]
    sns.despine()
    plt.tight_layout()
    return ts_ax, acf_ax, pacf_ax

tsplot(sentiment_short, title='Consumer Sentiment', lags=36);

plt.show()

测试记录:
image.png
image.png

1.3 AR图

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt
import matplotlib.pylab as plt
import seaborn as sns

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 读取数据
Sentiment = 'E:/file/sentiment.csv'
Sentiment = pd.read_csv(Sentiment, index_col=0, parse_dates=[0])

sentiment_short = Sentiment.loc['2005':'2016']

# 自相关图
fig = plt.figure(figsize=(12,8))

ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(sentiment_short, lags=20,ax=ax1)
ax1.xaxis.set_ticks_position('bottom')
fig.tight_layout();

ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(sentiment_short, lags=20, ax=ax2)
ax2.xaxis.set_ticks_position('bottom')
fig.tight_layout();

plt.show()

测试记录:
image.png

1.4 散点图

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt
import matplotlib.pylab as plt
import seaborn as sns

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 读取数据
Sentiment = 'E:/file/sentiment.csv'
Sentiment = pd.read_csv(Sentiment, index_col=0, parse_dates=[0])

sentiment_short = Sentiment.loc['2005':'2016']

# 散点图也可以表示
lags=9

ncols=3
nrows=int(np.ceil(lags/ncols))

fig, axes = plt.subplots(ncols=ncols, nrows=nrows, figsize=(4*ncols, 4*nrows))

for ax, lag in zip(axes.flat, np.arange(1,lags+1, 1)):
    lag_str = 't-{}'.format(lag)
    X = (pd.concat([sentiment_short, sentiment_short.shift(-lag)], axis=1,
                   keys=['y'] + [lag_str]).dropna())

    X.plot(ax=ax, kind='scatter', y='y', x=lag_str);
    corr = X.corr().iloc[:,:].values[0][1]
    ax.set_ylabel('Original')
    ax.set_title('Lag: {} (corr={:.2f})'.format(lag_str, corr));
    ax.set_aspect('equal');
    sns.despine();

fig.tight_layout();

plt.show()

测试记录:
image.png

1.5 更直观的展示

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt
import matplotlib.pylab as plt
import seaborn as sns

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 读取数据
Sentiment = 'E:/file/sentiment.csv'
Sentiment = pd.read_csv(Sentiment, index_col=0, parse_dates=[0])

sentiment_short = Sentiment.loc['2005':'2016']

# 更直观一些
def tsplot(y, lags=None, title='', figsize=(14, 8)):
    fig = plt.figure(figsize=figsize)
    layout = (2, 2)
    ts_ax = plt.subplot2grid(layout, (0, 0))
    hist_ax = plt.subplot2grid(layout, (0, 1))
    acf_ax = plt.subplot2grid(layout, (1, 0))
    pacf_ax = plt.subplot2grid(layout, (1, 1))

    y.plot(ax=ts_ax)
    ts_ax.set_title(title)
    y.plot(ax=hist_ax, kind='hist', bins=25)
    hist_ax.set_title('Histogram')
    smt.graphics.plot_acf(y, lags=lags, ax=acf_ax)
    smt.graphics.plot_pacf(y, lags=lags, ax=pacf_ax)
    [ax.set_xlim(0) for ax in [acf_ax, pacf_ax]]
    sns.despine()
    plt.tight_layout()
    return ts_ax, acf_ax, pacf_ax

tsplot(sentiment_short, title='Consumer Sentiment', lags=36);

plt.show()

测试记录：
image.png

二. 参数选择

2.1 数据源介绍

series1.csv
一个标准的时间序列数据
image.png

2.2 直观的图形化展示

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt

import matplotlib.pylab as plt
import seaborn as sns

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 美国消费者信心指数
filename_ts = 'E:/file/series1.csv'
ts_df = pd.read_csv(filename_ts, index_col=0, parse_dates=[0])

n_sample = ts_df.shape[0]

# 划分测试集和训练集
n_train=int(0.95*n_sample)+1
n_forecast=n_sample-n_train
#ts_df
ts_train = ts_df.iloc[:n_train]['value']
ts_test = ts_df.iloc[n_train:]['value']
#print(ts_train.shape)
#print(ts_test.shape)
#print("Training Series:", "\n", ts_train.tail(), "\n")
#print("Testing Series:", "\n", ts_test.head())


def tsplot(y, lags=None, title='', figsize=(14, 8)):
    fig = plt.figure(figsize=figsize)
    layout = (2, 2)
    ts_ax = plt.subplot2grid(layout, (0, 0))
    hist_ax = plt.subplot2grid(layout, (0, 1))
    acf_ax = plt.subplot2grid(layout, (1, 0))
    pacf_ax = plt.subplot2grid(layout, (1, 1))

    y.plot(ax=ts_ax)
    ts_ax.set_title(title)
    y.plot(ax=hist_ax, kind='hist', bins=25)
    hist_ax.set_title('Histogram')
    smt.graphics.plot_acf(y, lags=lags, ax=acf_ax)
    smt.graphics.plot_pacf(y, lags=lags, ax=pacf_ax)
    [ax.set_xlim(0) for ax in [acf_ax, pacf_ax]]
    sns.despine()
    fig.tight_layout()
    return ts_ax, acf_ax, pacf_ax

tsplot(ts_train, title='A Given Training Series', lags=20);

plt.show()

测试记录:
image.png

2.3 热力图

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt
import matplotlib.pylab as plt
import seaborn as sns
import itertools

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 美国消费者信心指数
filename_ts = 'E:/file/series1.csv'
ts_df = pd.read_csv(filename_ts, index_col=0, parse_dates=[0])

n_sample = ts_df.shape[0]

# 划分训练集和测试集
n_train=int(0.95*n_sample)+1
n_forecast=n_sample-n_train
#ts_df
ts_train = ts_df.iloc[:n_train]['value']
ts_test = ts_df.iloc[n_train:]['value']

# 训练模型
arima200 = sm.tsa.SARIMAX(ts_train, order=(2,0,0))
model_results = arima200.fit()

# 选择参数
p_min = 0
d_min = 0
q_min = 0
p_max = 4
d_max = 0
q_max = 4

# Initialize a DataFrame to store the results
results_bic = pd.DataFrame(index=['AR{}'.format(i) for i in range(p_min, p_max + 1)],
                           columns=['MA{}'.format(i) for i in range(q_min, q_max + 1)])

for p, d, q in itertools.product(range(p_min, p_max + 1),
                                 range(d_min, d_max + 1),
                                 range(q_min, q_max + 1)):
    if p == 0 and d == 0 and q == 0:
        results_bic.loc['AR{}'.format(p), 'MA{}'.format(q)] = np.nan
        continue

    try:
        model = sm.tsa.SARIMAX(ts_train, order=(p, d, q),
                               # enforce_stationarity=False,
                               # enforce_invertibility=False,
                               )
        results = model.fit()
        results_bic.loc['AR{}'.format(p), 'MA{}'.format(q)] = results.bic
    except:
        continue
results_bic = results_bic[results_bic.columns].astype(float)

fig, ax = plt.subplots(figsize=(10, 8))
ax = sns.heatmap(results_bic,
                 mask=results_bic.isnull(),
                 ax=ax,
                 annot=True,
                 fmt='.2f',
                 );
ax.set_title('BIC');

plt.show()

测试记录:
image.png

2.4 AIC/BIC以及残差分析 正态分布 QQ图线性

代码:

from __future__ import absolute_import, division, print_function
# http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
import sys
import os
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.tsa.api as smt
import matplotlib.pylab as plt
import seaborn as sns
import itertools

# 一些配置项
pd.set_option('display.float_format', lambda x: '%.5f' % x) # pandas
np.set_printoptions(precision=5, suppress=True) # numpy

pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)

sns.set(style='ticks', context='poster')

# 美国消费者信心指数
filename_ts = 'E:/file/series1.csv'
ts_df = pd.read_csv(filename_ts, index_col=0, parse_dates=[0])

n_sample = ts_df.shape[0]

# 划分训练集和测试集
n_train=int(0.95*n_sample)+1
n_forecast=n_sample-n_train
#ts_df
ts_train = ts_df.iloc[:n_train]['value']
ts_test = ts_df.iloc[n_train:]['value']

# 训练模型
arima200 = sm.tsa.SARIMAX(ts_train, order=(2,0,0))
model_results = arima200.fit()

# AIC 和 BIC
#print(help(sm.tsa.arma_order_select_ic))
train_results = sm.tsa.arma_order_select_ic(ts_train, ic=['aic', 'bic'], trend='n', max_ar=4, max_ma=4)
print('AIC', train_results.aic_min_order)
print('BIC', train_results.bic_min_order)

#残差分析 正态分布 QQ图线性
model_results.plot_diagnostics(figsize=(16, 12));

plt.show()

测试记录:

AIC (3, 3)
BIC (1, 1)

image.png

参考：

  1. https://study.163.com/course/introduction.htm?courseId=1003590004#/courseDetail?tab=1
只是甲
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
fft plot_fftfourier_plot_
09-29
calcul de fft and plot it
Plot_SNR.rar_Matlab Plot_SNR MATLAB_plot_plot_snr_snr
09-19
file upload plot SNR
Python数据分析案例之时间序列分析
ql1314xjt的博客
03-16 367
什么是时间序列顾名思义，时间序列就是按照时间顺序排列的一组数据序列。时间序列分析就是找出数据变化发展的规律，从而预测未来的走势。时间序列分析有以下几种表现形式：○长期趋势变化：受某种因素的影响，数据依据时间变化，按某种规则稳步增长或下降。使用的分析方法有：移动平均法、指数平滑法等。○季节性周期变化：受季节更替等因素影响，数据依据固定周期规则性的变化。季节性周期变化，不局限于自然季节，还包括月、周等短期周期。例如，空调、羽绒服、冷饮的销售，双十一、双十二流量在一周之内的波动等。采用的方法：季节指数。
plot_ci:绘制置信区间和线之间的补丁-matlab开发
05-30
PLOT_CI 绘制置信区间和两个置信度之间的补丁间隔线。 X 是对应于水平轴的 nx1 向量。 Y 可以是 nx1、nx2 或 nx3 矩阵。 如果 Y 是 nx1 向量，则 PLOT_CI 只绘制主线。 如果 Y 是 nx2，则函数假设只有两个置信区间与补丁一起绘制封闭在它们之间。 如果 Y 是 nx3 的矩阵，则 PLOT_CI 绘制主线， 两条置信区间线，以及它们之间的补丁。 主线由矩阵 Y 的第一列指定，而置信度间隔由第 2 和第 3 列确定。 PLOT_CI(...,parameter1,value1,parameter2,value2,...) 允许设置主线、补丁和置信区间线的参数， 比如线型、线宽、颜色等。 该函数识别以下参数： '主线宽度' '主线样式' '主线颜色' '行宽' '线型' '线条颜色' '补丁颜色' 'PatchAlpha' '轴句柄' 'XScale'
plot_keras_history:一个简单的python程序包，用于打印keras NN训练历史记录
04-10
绘制Keras历史 用于打印python软件包 如何安装此软件包？ 和往常一样，只需使用pip下载即可： pip install plot_keras_history 测试覆盖率 由于某些软件处理覆盖率有时会略有不同，因此以下是其中三个： 用法 假设您有一个由函数my_keras_model生成的模型： 绘制训练历史 在以下示例中，我们将看到如何绘制以及显示或保存训练历史记录： from plot_keras_history import plot_history import matplotlib . pyplot as plt model = my_keras_model () history = model . fit (...) plot_history ( history ) plt . show () plot_history ( history , path =
python pandas 对时间序列文件处理的实例
12-24
如下所示： import pandas as pd from numpy import * import matplotlib.pylab as plt import copy def read(filename): dat=pd.read_csv(filename,iterator=True) loop = True chunkSize = 1000000 R=[] while loop: try: data = dat.get_chunk(chunkSize) data=data.loc[:,'B':'C'] # 切片 data=data[data.B==
时间序列分析：使用Python进行实用的时间序列分析
02-16
时间序列分析 我的教授推荐了这本书。 我昨天读和《 。 两者都以自己的方式很好。 前者要先进得多，并提供一些您可能未曾接触过的想法，而后者则是中级的，但是有一些实际的例子，尽管这些例子有些简单化，而且通常效果平平。 它相当不错，涵盖了很多内容，但是它可以交替使用R和python。 我更喜欢python。 我找到了这并将继续学习。 本课程也使用R。 猜猜我需要学习然后使用R。 但是我计划为此课程制作python版本的注释。 过时的主题 *本书很少介绍TS模型和方法。 主要参考：“”（2017）及其 。 目录 第1章： 不同类型的数据 横截面数据 时间序列数据 面板数据 时间序列的内部结构 总体趋势 季节性 运行序列图 季节性子系列剧情 多箱图 周期性变化 意外的变化 时间序列分析模型 零均值模型 随机漫步 趋势模型 季节性模型 自相关和部分自相关 第2章：了解时间序列数据 时间序
基于python的时间序列案例-python关于时间序列的分析
weixin_37988176的博客
10-30 1113
1， pandas生成时间一般采用date_range操作，这个之前的博客已经详细的讲解过,这里就不在阐述2， pandas的数据重采样什么是数据重采样？就好比原来一堆统计数据是按照天来进行统计的，持续一年；那我们能不能看月整体变化的程度呢？那这个时候就涉及到数据的重采样问题，按照上述的例子：由天变为月，那这个就是一个降采样的过程，那既然有降采样，那必定也有升采样。那如何使用pandas完成将采样...
​【机器学习】交通数据的时间序列分析和预测实战
fengdu78的博客
12-06 6337
今天又给大家带来一篇实战案例，本案例旨在运用之前学习的时间序列分析和预测基础理论知识，用一个实际案例数据演示这些方法是如何被应用的。本文较长，建议收藏！由于篇幅限制，文内精简了部分代码，但...
基于Python实现时间序列分析建模(ARIMA模型)项目实战
10-31
【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战 内容包括： 资料说明：包括数据集+源代码+PDF文档说明+代码视频讲解。 资料内容包括： 1)项目背景； 2)数据收集； 3)数预处理； 4)RBF神经网络半导体刻蚀机故障诊断模型的构建； 5)模型评估； 6)实际应用。
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
《从零开始学Python数据分析》10_时间序列.ipynb
12-24
本文来自《从零开始学Python数据分析》10_时间序列 的抄写,加入了一些自己的意见，在之前使用python中，总有很多时间方面的问题，于是想系统的学习一下时间序列的章节，再次就把《从零开始学Python数据分析》第10章_时间序列 的 内容抄写了下来，还希望能帮助更多的人学习
精品干货-Python数据分析与机器学习实战人脸检测视频课程含代码全套（共36门200+节课）.zip
04-14
精品干货-Python数据分析与机器学习实战人脸检测视频课程全套，共36门200+节课，分享给大家下载学习参考。 01、python数据分析与机器学习实战 02、深度学习入门视频课程(上篇) 03、深度学习入门视频课程(下篇) 04、...
时间序列的详细介绍以及案例
05-30
这些观测值可以是物理现象、经济指标等任何量的测量结果，时间序列数据在时间轴上展示了某种现象的随时间变化的趋势和规律，因此被广泛用于各种领域的预测分析、趋势分析、周期性分析等研究和决策。 时间序列分析是...
时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！
09-25
能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的...
《python机器学习数据建模与分析》读书笔记及案例代码实操.zip
最新发布
04-16
从上述所列举的应用可知，机器学习正在成为各行各业都会经常使用到的分析工具，尤其是在各领域数据量爆炸的今天，各行业都希望通过数据处理与分析手段，得到数据中有价值的信息，以便明确客户的需求和指引企业的发展...
机器学习ARIMA时间序列预测模型实战案例
10-27
首先，我们对数据进行了详细的探索性分析，以揭示其内在的时间序列特性。对于非平稳的数据，我们使用差分操作使其平稳，以便进行后续的建模和预测。 在模型参数的选择上，我们使用了自相关图（ACF）和偏自相关图...
plot_diagnostics()使用不了
06-12
如果你的ARIMA模型无法使用plot_diagnostics()方法，可能是因为你使用的是较旧版本的statsmodels。在较新版本的statsmodels中，plot_diagnostics()方法已经被添加到ARIMA模型中。 尝试更新statsmodels库的版本，可以使用以下命令在终端或命令提示符中更新： ``` pip install --upgrade statsmodels ``` 如果更新命令不起作用，请确保你已经正确安装了statsmodels库，并且使用正确的命令行界面（例如Anaconda Prompt或终端）。如果你仍然遇到问题，请提供更多信息以帮助我更好地解决问题。

“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
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