小编给大家分享一下python做时间序列的方法，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

python做时间序列的方法：首先导入需要的工具包，输入“data.plot()”，“plt().show()”命令绘制时序图；然后由acf，pacf判断模型参数即可。

采用python进行简易的时间序列预测流程

时间序列可视化——>序列平稳——>acf,pacf寻找最优参——>建立模型——>模型检验——>模型预测

涉及到的工具包如下：

#-*-coding:utf-8-*-importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromrandomimportrandrangefromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffromstatsmodels.tsa.arima_modelimportARIMAfromstatsmodels.apiimporttsa原始数据

时间序列是与时间相关的一组数据，这里的数据主要是生成的模拟数据，仅是为了练习一下处理【时间序列】的流程。

defgenerate_data(start_date,end_date):df=pd.DataFrame([300+i*30+randrange(50)foriinrange(31)],columns=['income'],index=pd.date_range(start_date,end_date,freq='D'))returndfdata=generate_data('20170601','20170701')#这里要将数据类型转换为‘float64’data['income']=data['income'].astype('float64')

数据可视化

这里主要是观察数据是否是平稳序列，如果不是则要进行处理转换为平稳序列1

# 绘制时序图

data.plot()plt.show()

# 绘制自相关图

plot_acf(data).show()

从时序图中可以看出这组序列存在明显的增长趋势。不是平稳序列

acf图呈现出三角对称趋势，进一步说明这组时间序列是一组单调趋势的非平稳序列。

差分–转换为平稳序列

# 差分运算

# 默认1阶差分

data_diff=data.diff()

# 差分后需要排空，

data_diff=data_diff.dropna()data_diff.plot()plt.show()

可以看到在1阶差分后序列已经转换为平稳序列。

由acf，pacf判断模型参数

plot_acf(data_diff).show()plot_pacf(data_diff).show()

这里选用ARIMA模型，参数为（1， 1， 1）

模型训练

arima=ARIMA(data,order=(1,1,1))result=arima.fit(disp=False)print(result.aic,result.bic,result.hqic)plt.plot(data_diff)plt.plot(result.fittedvalues,color='red')plt.title('ARIMARSS:%.4f'%sum(result.fittedvalues-data_diff['income'])**2)plt.show()

模型检验

这里选择了 ‘Ljung-Box检验’，

# ARIMA Ljung-Box检验 -----模型显著性检验，Prod> 0.05，说明该模型适合样本

resid=result.residr,q,p=tsa.acf(resid.values.squeeze(),qstat=True)print(len(r),len(q),len(p))test_data=np.c_[range(1,30),r[1:],q,p]table=pd.DataFrame(test_data,columns=['lag','AC','Q','Prob(>Q)'])print(table.set_index('lag'))

检验的结果就是看最后一列前十二行的检验概率（一般观察滞后1~12阶），如果检验概率小于给定的显著性水平，比如0.05、0.10等就拒绝原假设，其原假设是相关系数为零。就结果来看，如果取显著性水平为0.05，那么相关系数与零没有显著差异，即为白噪声序列。

模型预测

# 模型预测

pred=result.predict('20170701','20170710',typ='levels')print(pred)x=pd.date_range('20170601','20170705')plt.plot(x[:31],data['income'])#lenth=len()plt.plot(pred)plt.show()print('end')

看完了这篇文章，相信你对python做时间序列的方法有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！