分解趋势、季节和残差时间序列元素

Question

我有一个 DataFrame 有几个时间序列：

         divida    movav12       var  varmovav12
Date                                            
2004-01       0        NaN       NaN         NaN
2004-02       0        NaN       NaN         NaN
2004-03       0        NaN       NaN         NaN
2004-04      34        NaN       inf         NaN
2004-05      30        NaN -0.117647         NaN
2004-06      44        NaN  0.466667         NaN
2004-07      35        NaN -0.204545         NaN
2004-08      31        NaN -0.114286         NaN
2004-09      30        NaN -0.032258         NaN
2004-10      24        NaN -0.200000         NaN
2004-11      41        NaN  0.708333         NaN
2004-12      29  24.833333 -0.292683         NaN
2005-01      31  27.416667  0.068966    0.104027
2005-02      28  29.750000 -0.096774    0.085106
2005-03      27  32.000000 -0.035714    0.075630
2005-04      30  31.666667  0.111111   -0.010417
2005-05      31  31.750000  0.033333    0.002632
2005-06      39  31.333333  0.258065   -0.013123
2005-07      36  31.416667 -0.076923    0.002660

我想分解第一个时间序列 divida，以便将其趋势与其季节性和残差成分分开。

我找到了答案 here，我正在尝试使用以下代码：

import statsmodels.api as sm

s=sm.tsa.seasonal_decompose(divida.divida)

但是我一直收到这个错误：

Traceback (most recent call last):
File "/Users/Pred_UnBR_Mod2.py", line 78, in <module> s=sm.tsa.seasonal_decompose(divida.divida)
File "/Library/Python/2.7/site-packages/statsmodels/tsa/seasonal.py", line 58, in seasonal_decompose _pandas_wrapper, pfreq = _maybe_get_pandas_wrapper_freq(x)
File "/Library/Python/2.7/site-packages/statsmodels/tsa/filters/_utils.py", line 46, in _maybe_get_pandas_wrapper_freq
freq = index.inferred_freq
AttributeError: 'Index' object has no attribute 'inferred_freq'

我该如何继续？

Answer 1

将 index 转换为 DateTimeIndex 时工作正常：

df.reset_index(inplace=True)
df['Date'] = pd.to_datetime(df['Date'])
df = df.set_index('Date')
s=sm.tsa.seasonal_decompose(df.divida)

<statsmodels.tsa.seasonal.DecomposeResult object at 0x110ec3710>

通过以下方式访问组件：

s.resid
s.seasonal
s.trend

Answer 2

仅当您提供频率时，Statsmodel 才会分解序列。通常所有时间序列索引都会包含频率 eg: Daywise, Business days, weekly 所以它显示错误。您可以通过两种方式消除此错误：

Stefan 所做的是将索引列提供给 pandas DateTime 函数。它使用内部函数 infer_freq 来查找频率和 return 具有频率的索引。
否则您可以将索引列的频率设置为 df.index.asfreq(freq='m')。这里 m 代表月份。如果您有领域知识或通过 d.

Answer 3

简单点：

遵循三个步骤：
1. 如果没有完成，请在 yyyy-mm-dd 或 dd-mm-yyyy 中创建列（使用 excel）。
2.然后使用pandas将其转换成日期格式为： df['Date'] = pd.to_datetime(df['Date'])
3. 使用以下方法分解它：

from statsmodels.tsa.seasonal import seasonal_decompose
decomposition=seasonal_decompose(ts_log)

最后：

Answer 4

这取决于索引格式。您可以使用 DateTimeIndex，也可以使用 PeriodIndex。 Stefan 展示了 DateTimeIndex 的示例。这是我的 PeriodIndex 示例。我原来的 DataFrame 有一个 MultiIndex 索引，第一级是年份，第二级是月份。这是我将其转换为 PeriodIndex 的方法：

df["date"] = pd.PeriodIndex (df.index.map(lambda x: "{0}{1:02d}".format(*x)),freq="M")
df = df.set_index("date")

现在可以供 seasonal_decompose 使用了。

Answer 5

尝试使用 parse_dates 解析日期列，稍后提及索引列。

from statsmodels.tsa.seasonal import seasonal_decompose
data=pd.read_csv(airline,header=0,squeeze=True,index_col=[0],parse_dates=[0])
res=seasonal_decompose(data)

分解趋势、季节和残差时间序列元素

Decomposing trend, seasonal and residual time series elements

python

machine-learning

time-series

pandas

statsmodels