当 运行 seasonal_decompose() 时，季节性始终为 7。这是为什么？
Seasonality is always 7 when running seasonal_decompose(). Why is that?
我已经 运行 seasonal_decompose() 从大约 20 个完全不同的数据集的 statsmodels。查看具有日频率的数据集时，季节性为 7 是否标准？
这是一张图片作为一个数据集分解的例子。我放大了季节性，以便您可以看到又是 7 天：
为什么总是7天？我不希望它总是 7 天并且数据集彼此不同，所以现在我认为这完全是巧合或者这是因为 seasonal_decompose().
但是看看 statsmodels 文档中的 seasonal_decompose() ，它使用 LOESS 来计算季节性。如果我查看公式，它应该能够找到季节性的不同频率。我只需要验证我在这里没有错：我所有的数据集都产生 7 天的季节性频率是否纯属巧合？
首先，seasonal_decompose与LOESS无关，基于LOESS的分解需要使用statsmodels.tsa.seasonal.STL。 seasonal_decompose 不以任何方式根据数据推断周期性。你只有两个选择：
- 使用
period 参数明确说明周期性
- 不声明周期性，将
period 参数留在 None。在这种情况下，您必须将具有日期时间索引的 pandas 数据帧提供给 seasonal_decompose，并且将从日期时间索引频率标签推断出周期性，否则会引发错误。它首先获取频率标签：pfreq = getattr(getattr(x, "index", None), "inferred_freq", None)（在你的情况下频率标签将是 'D'，意思是每天），然后它使用 statsmodels.tsa.tsatools.freq_to_period 将其转换为周期性（在你的情况下频率标签 'D' 将转换为 7，这将用作周期性，因此得到的结果)
我已经 运行 seasonal_decompose() 从大约 20 个完全不同的数据集的 statsmodels。查看具有日频率的数据集时，季节性为 7 是否标准？
这是一张图片作为一个数据集分解的例子。我放大了季节性，以便您可以看到又是 7 天：
为什么总是7天？我不希望它总是 7 天并且数据集彼此不同，所以现在我认为这完全是巧合或者这是因为 seasonal_decompose().
但是看看 statsmodels 文档中的 seasonal_decompose() ，它使用 LOESS 来计算季节性。如果我查看公式，它应该能够找到季节性的不同频率。我只需要验证我在这里没有错：我所有的数据集都产生 7 天的季节性频率是否纯属巧合？
首先，seasonal_decompose与LOESS无关，基于LOESS的分解需要使用statsmodels.tsa.seasonal.STL。 seasonal_decompose 不以任何方式根据数据推断周期性。你只有两个选择：
- 使用
period参数明确说明周期性 - 不声明周期性，将
period参数留在None。在这种情况下，您必须将具有日期时间索引的pandas数据帧提供给seasonal_decompose，并且将从日期时间索引频率标签推断出周期性，否则会引发错误。它首先获取频率标签：pfreq = getattr(getattr(x, "index", None), "inferred_freq", None)（在你的情况下频率标签将是'D'，意思是每天），然后它使用statsmodels.tsa.tsatools.freq_to_period将其转换为周期性（在你的情况下频率标签'D'将转换为7，这将用作周期性，因此得到的结果)