1 使用方法

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

使用滑動平均的方法進行時間序列分解

注：這只是一個最為簡單的分解方法

????????通過首先通過對數據應用卷積濾波器估計趨勢來獲得結果。 然后從序列中刪除趨勢，每個時期的去趨勢序列的平均值是返回的季節性分量。

2 參數說明

x	時間序列。 如果是 兩維的，則單個Series應該在一列中。 x 必須包含 2 個完整的周期。
model	{“additive”, “multiplicative”} 時間序列分解的類型（加和 or 求乘積） 參數名稱縮寫是允許的
filt	過濾掉季節性分量的過濾系數。 濾波中使用的具體移動平均法（單邊or兩側）由 two_sided確定。 （個人理解是，計算滑動平均時，滑動平均階數內各點所乘的那個系數）
period	時間序列的周期。 如果 x 不是 pandas 對象或 x 的索引沒有頻率，則必須使用。 如果 x 是具有時間序列索引的 pandas 對象，則覆蓋 x 的默認周期。
two_sided	濾波中使用的移動平均法。 如果為 True（默認），則使用 filt 計算居中移動平均值。 如果為 False，則濾波器系數filt僅適用于過去的值。
extrapolate_trend	????????如果設置為 > 0，考慮到這么多 (+1) 個最近點，移動平均（卷積）產生的趨勢是在兩端外推的線性最小二乘法（如果 two_lateral 為 False，則為單側外推）。 ???????? 如果設置為“freq”，則使用最近點。 ? ? ? ? ?設置此參數會導致趨勢或殘差組件中沒有 NaN 值。

返回內容：有季節性，趨勢和殘差三個屬性的對象

3 使用方法

假設我們現在有一個1*744維的ndarray：

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

?現在我們使用seasonal_decompose：

import statsmodels.api as smres = sm.tsa.seasonal_decompose(west_tensor[0,:],period=48,model="add")rcParams['figure.figsize'] = 30, 15 fig=res.plot() fig.savefig('decompose_add.png')

?

總結

以上是生活随笔為你收集整理的statsmodels 笔记：seasonal_decompose 时间序列分解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。