Python 时间序列分析教程

时间序列分析是统计学和数据分析中的一个重要分支，它涉及对按时间顺序排列的数据进行分析和预测。Python 提供了多种库来处理时间序列数据，其中最常用的是 Pandas 和 Statsmodels。

以下是一个关于 Python 时间序列分析的基本教程，我们将使用 Pandas 和 Statsmodels 库来演示如何进行时间序列分析。

1. 安装必要的库

在开始之前，请确保你已经安装了以下库：

pip install pandas statsmodels

2. 导入数据

首先，我们需要导入一些数据。这里我们使用一个示例数据集，该数据集包含了某个城市过去一年的每日降雨量。

import pandas as pd

# 读取 CSV 文件
data = pd.read_csv('/path/to/weather_data.csv')

# 查看数据前几行
print(data.head())

3. 数据预处理

在进行分析之前，我们需要对数据进行一些预处理。这包括检查数据是否包含缺失值，并确保时间列是 datetime 类型。

# 检查缺失值
print(data.isnull().sum())

# 确保时间列是 datetime 类型
data['date'] = pd.to_datetime(data['date'])

# 设置时间列为索引
data.set_index('date', inplace=True)

4. 绘制时间序列图

使用 Pandas 的 plot 方法可以轻松地绘制时间序列图。

import matplotlib.pyplot as plt

# 绘制时间序列图
data['rainfall'].plot(figsize=(10, 5))
plt.title('每日降雨量')
plt.xlabel('日期')
plt.ylabel('降雨量')
plt.show()

每日降雨量

5. 时间序列分解

时间序列分解可以将时间序列数据分解为趋势、季节性和随机性三个组成部分。

from statsmodels.tsa.seasonal import seasonal_decompose

# 进行时间序列分解
decomposition = seasonal_decompose(data['rainfall'], model='additive', period=365)

# 绘制分解图
decomposition.plot()
plt.show()

时间序列分解

6. 时间序列预测

使用 ARIMA 模型可以对时间序列数据进行预测。

from statsmodels.tsa.arima.model import ARIMA

# 创建 ARIMA 模型
model = ARIMA(data['rainfall'], order=(5, 1, 0))

# 拟合模型
model_fit = model.fit()

# 进行预测
forecast = model_fit.forecast(steps=5)

print(forecast)

扩展阅读

如果你对 Python 时间序列分析感兴趣，可以阅读以下文章：

• Pandas 时间序列教程
• Statsmodels 时间序列教程