statsmodels.tsa.seasonal.seasonal_decompose使用移動平均線進行季節性分解

所謂分解就是將時序數據分離成不同的成分，分解有：長期趨勢Trend、季節性seasonality和隨機殘差residuals

statsmodels使用的X-11分解過程，它主要將時序數據分離成長期趨勢、季節趨勢和隨機成分。 與其它統計軟件一樣，statsmodels也支持兩類分解模型，加法模型和乘法模型，model的參數設置為"additive"（加法模型）和"multiplicative"（乘法模型）。

首先看看函數

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

參數：

x：array_like，被分解的數據

model：{“additive”, “multiplicative”}, optional，"additive"（加法模型）和"multiplicative"（乘法模型）

fil：tarray_like, optional，用於濾除季節性成分的濾除系數。濾波中使用的具體移動平均法由two_side確定

period：int, optional，系列的時期。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的默認周期性。

two_sided：bool, optional，濾波中使用的移動平均法。如果為True（默認），則使用filt計算居中的移動平均線。如果為False，則濾波器系數僅用於過去的值

extrapolate_trend：int or ‘freq’, optional，如果設置為> 0，則考慮到許多（+1）最接近的點，由卷積產生的趨勢將在兩端外推線性最小二乘法（如果two_side為False，則為單一個最小二乘）。如果設置為“頻率”，請使用頻率最近點。設置此參數將導致趨勢或殘油成分中沒有NaN值。

 

 

具體例子，數據我暫時找不出來，到時候再補上，再替換，現在主要任務是知道怎么用法，以及返回是什么

# 下面深入分解：長期趨勢Trend、季節性seasonality和隨機殘差residuals。

# 強行補充小知識：平穩性處理之“分解”
# 所謂分解就是將時序數據分離成不同的成分。statsmodels使用的X-11分解過程，它主要將時序數據分離成長期趨勢、季節趨勢和隨機成分。
# 與其它統計軟件一樣，statsmodels也支持兩類分解模型，加法模型和乘法模型，model的參數設置為"additive"（加法模型）和"multiplicative"（乘法模型）。

import statsmodels.api as sm  # 導入統計建模模塊
# multiplicative
res = sm.tsa.seasonal_decompose(ts.values,freq=12,model="multiplicative") 
# 這里用到的.tsa.seasonal_decompose()函數，經嘗試：參數ts.values時，橫坐標是Time；參數ts時，橫坐標是date_block_num。其他不變。
# freg這個參數容后研究，這里暫且猜測是周期12個月。

# plt.figure(figsize=(16,12))
fig = res.plot()
# fig.show()  # 此句，可加可不加。

# 得到不同的分解成分，接下來可以使用時間序列模型對各個成分進行擬合。