python时间序列分析按月_python – 使用statsmodels进行时间序列分析

我真的很想看到一个数据样本以及一个代码片段来重现你的错误.

没有它,我的建议不会解决您的特定错误消息.但是,它允许您对存储在pandas数据帧中的一组时间序列运行多元回归分析.假设您在时间序列中使用连续值而非分类值,以下是使用pandas和statsmodel执行此操作的方法：

具有随机值的数据框：

# Imports

import pandas as pd

import numpy as np

import itertools

np.random.seed(1)

rows = 12

listVars= ['y','x1', 'x2', 'x3']

rng = pd.date_range('1/1/2017', periods=rows, freq='D')

df_1 = pd.DataFrame(np.random.randint(100,150,size=(rows, len(listVars))), columns=listVars)

df_1 = df_1.set_index(rng)

print(df_1)

输出 – 一些可用的数据：

y x1 x2 x3

2017-01-01 137 143 112 108

2017-01-02 109 111 105 115

2017-01-03 100 116 101 112

2017-01-04 107 145 106 125

2017-01-05 120 137 118 120

2017-01-06 111 142 128 129

2017-01-07 114 104 123 123

2017-01-08 141 149 130 132

2017-01-09 122 113 141 109

2017-01-10 107 122 101 100

2017-01-11 117 108 124 113

2017-01-12 147 142 108 130

下面的函数将允许您指定源数据帧以及因变量y和选择的独立变量x1,x2.使用statsmodels,一些期望的结果将存储在数据帧中.在那里,R2将是数字类型,而回归系数和p值将是列表,因为这些估计的数量将随着您希望包括在分析中的独立变量的数量而变化.

def LinReg(df, y, x, const):

betas = x.copy()

# Model with out without a constant

if const == True:

x = sm.add_constant(df[x])

model = sm.OLS(df[y], x).fit()

else:

model = sm.OLS(df[y], df[x]).fit()

# Estimates of R2 and p

res1 = {'Y': [y],

'R2': [format(model.rsquared, '.4f')],

'p': [model.pvalues.tolist()],

'start': [df.index[0]],

'stop': [df.index[-1]],

'obs' : [df.shape[0]],

'X': [betas]}

df_res1 = pd.DataFrame(data = res1)

# Regression Coefficients

theParams = model.params[0:]

coefs = theParams.to_frame()

df_coefs = pd.DataFrame(coefs.T)

xNames = list(df_coefs)

xValues = list(df_coefs.loc[0].values)

xValues2 = [ '%.2f' % elem for elem in xValues ]

res2 = {'Independent': [xNames],

'beta': [xValues2]}

df_res2 = pd.DataFrame(data = res2)

# All results

df_res = pd.concat([df_res1, df_res2], axis = 1)

df_res = df_res.T

df_res.columns = ['results']

return(df_res)

这是一个测试运行：

df_regression = LinReg(df = df, y = 'y', x = ['x1', 'x2'], const = True)

print(df_regression)

输出：

results

R2 0.3650

X [x1, x2]

Y y

obs 12

p [0.7417691742514285, 0.07989515781898897, 0.25...

start 2017-01-01 00:00:00

stop 2017-01-12 00:00:00

Independent [const, x1, x2]

coefficients [16.29, 0.47, 0.37]

这是一个简单的复制粘贴的全部内容：

# Imports

import pandas as pd

import numpy as np

import statsmodels.api as sm

np.random.seed(1)

rows = 12

listVars= ['y','x1', 'x2', 'x3']

rng = pd.date_range('1/1/2017', periods=rows, freq='D')

df = pd.DataFrame(np.random.randint(100,150,size=(rows, len(listVars))), columns=listVars)

df = df.set_index(rng)

def LinReg(df, y, x, const):

betas = x.copy()

# Model with out without a constant

if const == True:

x = sm.add_constant(df[x])

model = sm.OLS(df[y], x).fit()

else:

model = sm.OLS(df[y], df[x]).fit()

# Estimates of R2 and p

res1 = {'Y': [y],

'R2': [format(model.rsquared, '.4f')],

'p': [model.pvalues.tolist()],

'start': [df.index[0]],

'stop': [df.index[-1]],

'obs' : [df.shape[0]],

'X': [betas]}

df_res1 = pd.DataFrame(data = res1)

# Regression Coefficients

theParams = model.params[0:]

coefs = theParams.to_frame()

df_coefs = pd.DataFrame(coefs.T)

xNames = list(df_coefs)

xValues = list(df_coefs.loc[0].values)

xValues2 = [ '%.2f' % elem for elem in xValues ]

res2 = {'Independent': [xNames],

'beta': [xValues2]}

df_res2 = pd.DataFrame(data = res2)

# All results

df_res = pd.concat([df_res1, df_res2], axis = 1)

df_res = df_res.T

df_res.columns = ['results']

return(df_res)

df_regression = LinReg(df = df, y = 'y', x = ['x1', 'x2'], const = True)

print(df_regression)