遵义网站开发的公司有哪些,公司内部网站怎么做,医院的 建设网站的策划书,做设计找图片的网站有哪些文章目录 0 结果1 介绍2 建模2.1 预备知识2.1.1 ADF检验结果#xff08;单位根检验统计量#xff09;2.1.2 差分序列的白噪声检验#xff08;这里使用Ljung-Box检验#xff09;2.1.3 ARIMA模型#xff08;差分整合移动平均自回归模型#xff09;的三个参数:p#xff0c;… 文章目录 0 结果1 介绍2 建模2.1 预备知识2.1.1 ADF检验结果单位根检验统计量2.1.2 差分序列的白噪声检验这里使用Ljung-Box检验2.1.3 ARIMA模型差分整合移动平均自回归模型的三个参数:pdq2.1.4 自相关和偏自相关用于识别ARMA模型2.1.5 AIC与BIC用于确定pq参数2.1.6 模型检验残差检验 QQ图Jarque-Bera检验D-W检验 2.2 建模详细过程 3 模型代码实现3.1 详细步骤3.2 完整代码 4 测试数据和完整代码参考文章 0 结果 1 介绍
时间序列分析的基本思想寻找系统的当前值与其过去的运行记录观察数据的关系建立能够比较精确地反映时间序列中动态依存关系的数学模型并借此对系统的未来行为进行预报。
ARIMA模型Autoregressive Integrated Moving Average model,差分整合移动平均自回归模型又称整合移动平均自回归模型移动也可称作滑动)是时间序列预测分析方法之一。ARIMA(pdq)中AR是“自回归”p为自回归项数MA为“滑动平均”q为滑动平均项数d为使之成为平稳序列所做的差分次数阶数。“差分”一词虽未出现在ARIMA的英文名称中却是关键步骤。
该模型十分简单只需要带有时间的变量但是 1.要求时序数据是稳定的stationary或者是通过差分化(differencing)后是稳定的。 2.本质上只能捕捉线性关系而不能捕捉非线性关系。
注意⚠️采用ARIMA模型预测时序数据必须是稳定的如果不稳定的数据是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的常常受政策和新闻的影响而波动。
2 建模
2.1 预备知识
2.1.1 ADF检验结果单位根检验统计量
ADF检验结果作用
1ADF检验是一种检验时间序列是否平稳的方法其原假设是存在单位根即非平稳。根据ADF检验的结果可以通过比较检验统计量和临界值以及p值和显著性水平来判断是否拒绝原假设。2如果拒绝原假设可以认为数据是平稳的如果不拒绝原假设可以认为数据是非平稳的需要进行差分后再检验3另外还需要根据不同的模型判断数据是趋势平稳、截距平稳还是不含截距和时间趋势的平稳。
ADF检验结果的五个参数含义 第一个参数adt检验的结果简称为T值表示t统计量。 第二个参数简称为p值表示t统计量对应的概率值。p值表示在原假设零假设的条件下样本发生或观测值出现的概率。若p值小于小概率事件的阈值0.05或0.01那么拒绝原假设即数据是平稳的否则接受原假设。 若P0.01说明是较强的判定结果拒绝假定的参数取值若0.01P0.05说明较弱的判定结果拒绝假定的参数取值若P0.05说明结果更倾向于接受假定的参数取值。 第三个参数滞后阶数时间序列中的滞后阶数指的是当前数据点与前面的几个数据点之间的时间间隔数量。 如果滞后阶数选择得太低那么模型可能无法捕捉时间序列的所有重要特征导致预测精度不够高如果滞后阶数选择得太高那么模型就会过于复杂过度拟合训练数据从而无法泛化到新的数据上。 第四个参数AIC(赤池信息量准则)衡量统计模型拟合优良性的一种标准,选取AIC最小的模型。 它建立在熵的概念上提供了权衡估计模型复杂度和拟合数据优良性的标准。模型选择是在模型复杂度与模型对数据集描述能力即似然函数之间寻求最佳平衡。很多参数估计问题均采用似然函数作为目标函数当训练数据足够多时可以不断提高模型精度但提高了模型复杂度同时带来过拟合的问题。 配合第一个参数一起看的是在99%95%90%置信区间下的临界的ADF检验值。
下面为程序示例返回的ADF检验结果
原始序列的ADF检验结果为 (
-1.065623530928928,
0.7285844104901973,
11,
43,
{1%: -3.5925042342183704, 5%: -2.931549768951162, 10%: -2.60406594375338}, 922.2003862834713)观察角度:
1由第二个参数可得p值为0.7285844104901973无法拒绝原假设即数据不稳定。2由第一个参数可得T值为-1.065623530928928由第五个参数结合第一个参数可得-1.065623530928928大于10%: -2.60406594375338即接受原假设数据不稳定。
2.1.2 差分序列的白噪声检验这里使用Ljung-Box检验
作用白噪声序列有个特点任意两项的协方差/相关性系数都是零也就是说任意不同的两项之间不存在相关性关系。 如果一个时间序列是白噪声那么就不具有分析的意义因为从一个纯随机的东西中找不出任何有价值的规律。
参数说明
lbvalue测试的统计量pvalue基于卡方分布的p统计量 如果pvalue值大于0.05就说明我们无法拒绝原假设该序列是白噪声序列这个时间序列的确就是白噪声序列。
示例
差分序列的白噪声检验结果为 lb_stat lb_pvalue
1 33.952495 5.647422e-09这里得到的p值为5.647422e-09即拒绝原假设序列不是白噪声。
2.1.3 ARIMA模型差分整合移动平均自回归模型的三个参数:pdq
p代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项 d代表时序数据需要进行几阶差分化才是稳定的也叫Integrated项。 q代表预测模型中采用的预测误差的滞后数(lags)也叫做MA/Moving Average项
ARIMA模型的特例 1ARIMA(0,1,0) 此时当d1p和q为0时称为random walk模型该模型表示每一个时刻的位置只与上一时刻的位置有关。 2ARIMA(1,0,0) 此时p1, d0,q0称为 first-order autoregressive model该模型说明时序数据是稳定的和自相关的。 3ARIMA(1,1,0)此时p1,d1,q0称为differenced first-order autoregressive model 该模型说明时序数据在一阶差分化之后是稳定的和自回归的即一个时刻的差分y只与上一个时刻的差分有关。 4ARIMA(0,1,1) ,(此时p0, d1 ,q1称为simple exponential smoothing with growth模型)该模型说明数据在一阶差分后是稳定的和移动平均的即一个时刻的估计值的差分与上一个时刻的预测误差有关。
2.1.4 自相关和偏自相关用于识别ARMA模型
1作用自相关和偏自相关用于测量当前序列值和过去序列值之间的相关性并指示预测将来值时最有用的过去序列值。
2区别自相关函数和偏自相关函数
自相关函数 (ACF)延迟为 k 时这是相距 k 个时间间隔的序列值之间的相关性。偏自相关函数 (PACF)延迟为 k 时这是相距 k 个时间间隔的序列值之间的相关性同时考虑了间隔之间的值。
3自相关图和偏自相关图
自相关图有助于判断时间序列数据是否存在季节性或周期性变化并且可以用来选择合适的时间序列模型。如果一个时间序列数据存在季节性变化则其自相关图通常会呈现出明显的周期性模式。偏自相关图可以帮助我们确定时间序列数据中的短期相关性从而选择合适的时间序列模型。如果一个时间序列数据存在短期相关性则其偏自相关图通常会显示出急速衰减的模式。
4区别截尾和拖尾
截尾在大于某个常数k后快速趋于0为k阶截尾拖尾始终有非零取值不会在k大于某个常数后就恒等于零(或在0附近随机波动) 观察自相关图和偏自相关图然后根据如下表选择模型
2.1.5 AIC与BIC用于确定pq参数
贝叶斯信息准则Bayesian Information CriterionBIC与AIC相似用于模型选择BIC的惩罚项比AIC的大考虑了样本数量样本数量过多时可有效防止模型精度过高造成的模型复杂度过高。
区别
1AIC2k−2ln(L)BICkln(n)−2ln(L)。2当n ≥ 102时kln(n)≥2k所以BIC相比AIC在大数据量时对模型参数惩罚得更多导致BIC更倾向于选择参数少的简单模型。
2.1.6 模型检验残差检验 QQ图Jarque-Bera检验D-W检验
残差检验如果残差残差 实际观测值 – 模型预测值是正态分布我们就可以认为他是随机的如果它是随机的就可以认为它是对随机误差比较好的拟合QQ图检验残差是否满足正态分布Jarque-Bera检验雅克-贝拉检验 判断数据是否符合总体正态分布 P值指定水平0.05,拒绝原假设认为样本数据在5%的显著水平下不服从正态分布适用于 样本数量大于30 而且样本数越多JB检验效果越准确。 利用D-W检验残差序列自相关检验残差的自相关性 一般DW值在2附近比如1.7-2.3之间则说明没有自相关性模型构建良好
例子
------------残差检验-----------
NormaltestResult(statistic4.4959826117374515, pvalue0.10561115214326909)------------Jarque-Bera检验-----------
Jarque-Bera test:
JB: 4.0642468241648775
p-value: 0.13105693759455012
Skew: 0.33412880151714236
Kurtosis: 4.151920700073933------DW检验:残差序列自相关----
1.710221238253922.2 建模详细过程
1对数据绘图进行 ADF 检验观察序列是否平稳一般为不平稳对于非平稳时间序列要先进行d阶差分运算化为平稳时间序列 2对平稳时间序列进行白噪声检验如果不是白噪声序列则继续下面的建模 3使用AIC和BIC准则定阶q和p的值
或者是p 值可从偏自相关系数PACF图的最大滞后点来大致判断q 值可从自相关系数ACF图的最大滞后点来大致判断得到最佳的阶数 p 和阶数 q或者是使用BIC矩阵来计算q和p的值 4由以上得到的d、q、p得到ARIMA模型 5最后对进行模型检验例如残差检验D-W检验残差序列自相关。
3 模型代码实现
3.1 详细步骤
1引入头文件
from __future__ import annotations
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller as ADF
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf #ACF与PACF
from statsmodels.tsa.arima.model import ARIMA #ARIMA模型
from statsmodels.graphics.api import qqplot #qq图
from scipy import stats2把原始数据转为pandas.core.frame.DataFrame的数据进行操作
直接从字典转换
# dict类型的原始数据
need_data {2016-02: 44964.03, 2016-03: 56825.51, 2016-04: 49161.98, 2016-05: 45859.35, 2016-06: 45098.56, 2016-07: 45522.17, 2016-08: 57133.18, 2016-09: 49037.29, 2016-10: 43157.36, 2016-11: 48333.17, 2016-12: 22900.94,2017-01: 67057.29, 2017-02: 49985.29, 2017-03: 49771.47, 2017-04: 35757.0, 2017-05: 42914.27, 2017-06: 44507.03, 2017-07: 40596.51, 2017-08: 52111.75, 2017-09: 49711.18, 2017-10: 45766.09, 2017-11: 45273.82, 2017-12: 22469.57,2018-01: 71032.23, 2018-02: 37874.38, 2018-03: 44312.24, 2018-04: 39742.02, 2018-05: 43118.38, 2018-06: 33859.69, 201807: 38910.89, 2018-08: 39138.42, 2018-09: 37175.03, 2018-10: 44159.96, 2018-11: 46321.72, 2018-12: 22410.88,2019-01: 61241.94, 2019-02: 31698.6, 2019-03: 44170.62, 2019-04: 47627.13, 2019-05: 54407.37, 2019-06: 50231.68, 2019-07: 61010.29, 2019-08: 59782.19, 2019-09: 57245.15, 2019-10: 61162.55, 2019-11: 52398.25, 2019-12: 15482.64,2020-01: 38383.97, 2020-02: 26943.55, 2020-03: 57200.32, 2020-04: 49449.95, 2020-05: 47009.84, 2020-06: 49946.25, 2020-07: 56383.23, 2020-08: 60651.07}
# 转换为Dataframedata {time_data: list(need_data.keys()), click_value_rate: list(need_data.values())}df pd.DataFrame(data)df.set_index([time_data], inplaceTrue) # 设置索引data df从excel中数据转换
path /Users/mac/Downloads/时间序列模型测试数据.xlsx
dfpd.read_excel(path)
# 更改列名
df.rename(columns{data:deal_data, time:time_data}, inplace True)
# 设置索引
df.set_index([time_data], inplaceTrue)data df3 对原始数据进行绘图 # 绘制时序图plt.rcParams[font.sans-serif] [Arial Unicode MS] # 用来正常显示中文标签# plt.rcParams[font.sans-serif] [SimHei]plt.rcParams[axes.unicode_minus] False # 用来正常显示负号# 绘图data.plot()# 图片展示plt.show()# 绘制自相关图plot_acf(data).show()# 绘制偏自相关图plot_pacf(data).show()
平稳性检测print(u原始序列的ADF检验结果为, ADF(data[udeal_data]))下图为时序图 下图为自相关图 截尾
---------------------ADF检验结果----------------------
ADF Statistic(T-value): -1.065624
p-value: 0.728584
Lags Used: 11
Observations Used: 43
Critical Values:1%: -3.5935%: -2.93210%: -2.604由于p值为0.728584不能拒绝原假设数据不稳定。
4对原始数据进行差分让数据变成平稳时间序列 tmp_data data.diff().dropna() #一阶差分并去空列D_data tmp_data.diff().dropna() #二阶差分tmp_data.columns [u用户转化率差分] # 取列名D_data.columns [u用户转化率差分]# 时序图D_data.plot()plt.show()# 自相关图plot_acf(D_data).show()# 偏自相关图plot_pacf(D_data).show()print(u一阶差分序列的ADF检验结果为, ADF(tmp_data[u用户转化率差分])) # 平稳性检测print(u二阶差分序列的ADF检验结果为, ADF(D_data[u用户转化率差分])) # 平稳性检测
下图时序图(从左到右分别为原始数据一阶差分二阶差分)
可以看出数据逐渐趋于有规律 下图自相关图(从左到右分别为原始数据一阶差分二阶差分) 下图偏自相关图(从左到右分别为原始数据一阶差分二阶差分) ADF检验结果
一阶差分序列的ADF检验结果为 (-2.075566084251588, 0.25445240835460714, 11, 42, {1%: -3.596635636000432, 5%: -2.933297331821618, 10%: -2.6049909750566895}, 891.9896110441426)
二阶差分序列的ADF检验结果为 (-5.158293394368312, 1.0689898139736479e-05, 10, 42, {1%: -3.596635636000432, 5%: -2.933297331821618, 10%: -2.6049909750566895}, 874.5861617359358)
可以看的二阶差分后的数据的p值远远小于0.1即可以拒绝原假设数据不稳定得到数据数据稳定。
5差分序列的白噪声检验 print(u差分序列的白噪声检验结果为, acorr_ljungbox(D_data, lags1)) # 返回统计量和p值运行结果
二阶差分序列的白噪声检验结果为 lb_stat lb_pvalue
1 33.952495 5.647422e-09这里得到的p值为5.647422e-09即拒绝原假设序列不是白噪声。
6确定ARIMA的pq参数
方法一使用BIC矩阵 pmax int(len(D_data) / 10) # 一般阶数不超过length/10qmax int(len(D_data) / 10) # 一般阶数不超过length/10bic_matrix [] # BIC矩阵# 差分阶数diff_num 2for p in range(pmax):tmp []for q in range(qmax):try:tmp.append(ARIMA(D_data, order(p, diff_num, q)).fit().bic)except Exception as e:print(e)tmp.append(None)bic_matrix.append(tmp)bic_matrix pd.DataFrame(bic_matrix) # 从中可以找出最小值p, q bic_matrix.stack().idxmin() # 先用stack展平然后用idxmin找出最小值位置。print(uBIC最小的p值和q值为%s、%s % (p, q))得到结果
BIC最小的p值和q值为1、3方法二使用AIC和BIC准则定阶 AIC sm.tsa.stattools.arma_order_select_ic(D_data, max_ar4, max_ma4, icaic)[aic_min_order]# BICBIC sm.tsa.stattools.arma_order_select_ic(D_data, max_ar4, max_ma4, icbic)[bic_min_order]print(---AIC与BIC准则定阶---)print(the AIC is{}\nthe BIC is{}\n.format(AIC, BIC), end)p BIC[0]q BIC[1]diff_num 2---AIC与BIC准则定阶---
the AIC is(0, 2)
the BIC is(0, 2)7模型预测 model ARIMA(data, order(p, diff_num, q)).fit() # 建立ARIMA(p, diffnum, q)模型print(模型报告为\n, model.summary())print(预测结果)print(model.forecast(forecast_num))print(预测结果(详细版)\n)forecast model.get_forecast(stepsforecast_num)table pd.DataFrame(forecast.summary_frame())print(table)8模型检验
def Model_checking(model):# 残差检验:检验残差是否服从正态分布画图查看然后检验# 绘制残差图model.resid.plot(figsize(10, 3))plt.title(残差图)plt.show()print(------------残差检验-----------)# model.resid残差 实际观测值 – 模型预测值print(stats.normaltest(model.resid))# QQ图看正态性qqplot(model.resid, lineq, fitTrue)plt.title(Q-Q图)plt.show()# 绘制直方图plt.hist(model.resid, bins50)plt.show()# 进行Jarque-Bera检验:判断数据是否符合总体正态分布jb_test sm.stats.stattools.jarque_bera(model.resid)print()print(------------Jarque-Bera检验-----------)print(Jarque-Bera test:)print(JB:, jb_test[0])print(p-value:, jb_test[1])print(Skew:, jb_test[2])print(Kurtosis:, jb_test[3])# 残差序列自相关残差序列是否独立print(------DW检验:残差序列自相关----)print(sm.stats.stattools.durbin_watson(model.resid.values))结果
------------残差检验-----------
NormaltestResult(statistic4.4959826117374515, pvalue0.10561115214326909)------------Jarque-Bera检验-----------
Jarque-Bera test:
JB: 4.0642468241648775
p-value: 0.13105693759455012
Skew: 0.33412880151714236
Kurtosis: 4.151920700073933------DW检验:残差序列自相关----
1.71022123825392由检测结果可以看出模式良好。
3.2 完整代码
from __future__ import annotations
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller as ADF
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf #ACF与PACF
from statsmodels.tsa.arima.model import ARIMA #ARIMA模型
from statsmodels.graphics.api import qqplot #qq图
from scipy import statsimport warnings
warnings.filterwarnings(ignore)# 绘图设置适用于mac
# plt.rcParams[font.sans-serif] [SimHei]
plt.rcParams[font.sans-serif] [Arial Unicode MS] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号# 模型检测
def Model_checking(model) - None:# 残差检验:检验残差是否服从正态分布画图查看然后检验print(------------残差检验-----------)# model.resid残差 实际观测值 – 模型预测值print(stats.normaltest(model.resid))# QQ图看正态性qqplot(model.resid, lineq, fitTrue)plt.title(Q-Q图)plt.show()# 绘制直方图plt.hist(model.resid, bins50)plt.show()# 进行Jarque-Bera检验:判断数据是否符合总体正态分布jb_test sm.stats.stattools.jarque_bera(model.resid)print()print(------------Jarque-Bera检验-----------)print(Jarque-Bera test:)print(JB:, jb_test[0])print(p-value:, jb_test[1])print(Skew:, jb_test[2])print(Kurtosis:, jb_test[3])# 残差序列自相关残差序列是否独立print()print(------DW检验:残差序列自相关----)print(sm.stats.stattools.durbin_watson(model.resid.values))# 使用BIC矩阵计算p和q的值
def cal_pqValue(D_data, diff_num0) - List[float]:# 定阶pmax int(len(D_data) / 10) # 一般阶数不超过length/10qmax int(len(D_data) / 10) # 一般阶数不超过length/10bic_matrix [] # BIC矩阵# 差分阶数diff_num 2for p in range(pmax 1):tmp []for q in range(qmax 1):try:tmp.append(ARIMA(D_data, order(p, diff_num, q)).fit().bic)except Exception as e:print(e)tmp.append(None)bic_matrix.append(tmp)bic_matrix pd.DataFrame(bic_matrix) # 从中可以找出最小值p, q bic_matrix.stack().idxmin() # 先用stack展平然后用idxmin找出最小值位置。print(uBIC最小的p值和q值为%s、%s % (p, q))return p, q# 计算时序序列模型
def cal_time_series(data, forecast_num3) - None:# 绘制时序图data.plot()# 存储图片plt.savefig(/Users/mac/Downloads/1.png)plt.show()# 绘制自相关图plot_acf(data).show()# 绘制偏自相关图plot_pacf(data).show()# 时序数据平稳性检测original_ADF ADF(data[udeal_data])print(u原始序列的ADF检验结果为, original_ADF)# 对数序数据进行d阶差分运算化为平稳时间序列diff_num 0 # 差分阶数diff_data data # 差分数序数据ADF_p_value ADF(data[udeal_data])[1]while ADF_p_value 0.01:diff_data diff_data.diff(periods1).dropna()diff_num diff_num 1ADF_result ADF(diff_data[udeal_data])ADF_p_value ADF_result[1]print(ADF_p_value:{ADF_p_value}.format(ADF_p_valueADF_p_value))print(u{diff_num}差分的ADF检验结果为.format(diff_num diff_num), ADF_result )# 白噪声检测print(u差分序列的白噪声检验结果为, acorr_ljungbox(diff_data, lags1)) # 返回统计量和p值# 使用AIC和BIC准则定阶q和p的值(推荐)AIC sm.tsa.stattools.arma_order_select_ic(diff_data, max_ar4, max_ma4, icaic)[aic_min_order]BIC sm.tsa.stattools.arma_order_select_ic(diff_data, max_ar4, max_ma4, icbic)[bic_min_order]print(---AIC与BIC准则定阶---)print(the AIC is{}\nthe BIC is{}\n.format(AIC, BIC), end)p BIC[0]q BIC[1]# 使用BIC矩阵来计算q和p的值# pq_result cal_pqValue(diff_data, diff_num)# p pq_result[0]# q pq_result[1]# 构建时间序列模型model ARIMA(data, order(p, diff_num, q)).fit() # 建立ARIMA(p, diffnum, q)模型print(模型报告为\n, model.summary())print(预测结果\n, model.forecast(forecast_num))print(预测结果(详细版)\n)forecast model.get_forecast(stepsforecast_num)table pd.DataFrame(forecast.summary_frame())print(table)# 绘制残差图diff_data.plot(colororange, title残差图)model.resid.plot(figsize(10, 3))plt.title(残差图)# plt.savefig(/Users/mac/Downloads/1.png)plt.show()# 模型检查Model_checking(model)if __name__ __main__:# 数据测试1:need_data {2016-02: 44964.03, 2016-03: 56825.51, 2016-04: 49161.98, 2016-05: 45859.35,2016-06: 45098.56,2016-07: 45522.17, 2016-08: 57133.18, 2016-09: 49037.29, 2016-10: 43157.36,2016-11: 48333.17,2016-12: 22900.94,2017-01: 67057.29, 2017-02: 49985.29, 2017-03: 49771.47, 2017-04: 35757.0, 2017-05: 42914.27,2017-06: 44507.03, 2017-07: 40596.51, 2017-08: 52111.75, 2017-09: 49711.18,2017-10: 45766.09,2017-11: 45273.82, 2017-12: 22469.57,2018-01: 71032.23, 2018-02: 37874.38, 2018-03: 44312.24, 2018-04: 39742.02,2018-05: 43118.38,2018-06: 33859.69, 2018-07: 38910.89, 2018-08: 39138.42, 2018-09: 37175.03,2018-10: 44159.96,2018-11: 46321.72, 2018-12: 22410.88,2019-01: 61241.94, 2019-02: 31698.6, 2019-03: 44170.62, 2019-04: 47627.13, 2019-05: 54407.37,2019-06: 50231.68, 2019-07: 61010.29, 2019-08: 59782.19, 2019-09: 57245.15,2019-10: 61162.55,2019-11: 52398.25, 2019-12: 15482.64,2020-01: 38383.97, 2020-02: 26943.55, 2020-03: 57200.32, 2020-04: 49449.95,2020-05: 47009.84,2020-06: 49946.25, 2020-07: 56383.23, 2020-08: 60651.07}data {time_data: list(need_data.keys()), deal_data: list(need_data.values())}df pd.DataFrame(data)df.set_index([time_data], inplaceTrue) # 设置索引cal_time_series(df, 7) # 模型调用# 数据测试2从excel中读取:# path /Users/mac/Downloads/时间序列模型测试数据.xlsx# df pd.read_excel(path)# df.rename(columns{data: deal_data, time: time_data}, inplaceTrue)# df.set_index([time_data], inplaceTrue) # 设置索引# cal_time_series(df, 7) # 模型调用4 测试数据和完整代码
网盘链接提取码: o8po
参考文章
图灵追慕者 SPSSPRO Github上facebook的prophet项目 Yuting_Sunshine 一眉师傅 English Chan Sany 何灿 机器之心 seriesc 北京大学《金融时间序列分析讲义》 Foneone statsmodels中文官网API
