statsmodels 笔记:seasonal_decompose 时间序列分解

1 使用方法

statsmodels.tsa.seasonal.seasonal_decompose(
    x, 
    model='additive', 
    filt=None, 
    period=None, 
    two_sided=True, 
    extrapolate_trend=0)

使用滑动平均的方法进行时间序列分解

注:这只是一个最为简单的分解方法

        通过首先通过对数据应用卷积滤波器估计趋势来获得结果。 然后从序列中删除趋势,每个时期的去趋势序列的平均值是返回的季节性分量。

2 参数说明

x

时间序列。

如果是 两维的,则单个Series应该在一列中。

x 必须包含 2 个完整的周期。

model

{“additive”, “multiplicative”}

时间序列分解的类型(加和 or 求乘积)

参数名称缩写是允许的

filt

过滤掉季节性分量的过滤系数。

滤波中使用的具体移动平均法(单边or两侧)由 two_sided确定。

(个人理解是,计算滑动平均时,滑动平均阶数内各点所乘的那个系数)

period

时间序列的周期。

如果 x 不是 pandas 对象或 x 的索引没有频率,则必须使用。

如果 x 是具有时间序列索引的 pandas 对象,则覆盖 x 的默认周期。

two_sided

滤波中使用的移动平均法。

如果为 True(默认),则使用 filt 计算居中移动平均值。

如果为 False,则滤波器系数filt仅适用于过去的值。

extrapolate_trend

        如果设置为 > 0,考虑到这么多 (+1) 个最近点,移动平均(卷积)产生的趋势是在两端外推的线性最小二乘法(如果 two_lateral 为 False,则为单侧外推)。

         如果设置为“freq”,则使用最近点。

         设置此参数会导致趋势或残差组件中没有 NaN 值。

返回内容:有季节性,趋势和残差三个属性的对象

3 使用方法

假设我们现在有一个1*744维的ndarray:

import matplotlib.pyplot as plt 
plt.figure(figsize=(30,5))
plt.plot(west_tensor[0,:])

statsmodels 笔记:seasonal_decompose 时间序列分解_第1张图片

 现在我们使用seasonal_decompose:

import statsmodels.api as sm

res = sm.tsa.seasonal_decompose(west_tensor[0,:],
                                period=48,
                                model="add")

rcParams['figure.figsize'] = 30, 15
fig=res.plot()
fig.savefig('decompose_add.png')

statsmodels 笔记:seasonal_decompose 时间序列分解_第2张图片

 

你可能感兴趣的:(python库整理,p2p,网络协议,网络)