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 -*- import pandas as pd import numpy as np import matplotlib.pyplot as plt from random import randrange from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.arima_model import ARIMA from statsmodels.api import tsa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。
def generate_data(start_date, end_date): df = pd.DataFrame([300 + i * 30 + randrange(50) for i in range(31)], columns=['income'], index=pd.date_range(start_date, end_date, freq='D')) return df data = 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('ARIMA RSS: %.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.resid r, 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')
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试