用Python实现黄土对时间序列的季节分解

Question

我正在尝试用Python做R上的STL函数。

R命令包括

fit <- stl(elecequip, s.window=5)
plot(fit)

我如何在Python中做到这一点？我调查过statmodels.tsa具有一些时间序列分析功能，但我可以在文档中特别找到“按黄土对时间序列进行季节分解”。类似的，在Python.org上也有一个叫做TimeSeries0.5.0的库，但是这个库没有文档，而且它的主页也是不可用的。我知道rpy2有一个使用包装器的选项，但我不知道如何使用包装器。

谢谢。

Answer 1

我也遇到了类似的问题，我正在努力寻找最好的前进道路。

Here is a github repo for an STL decomposition based on the Loess procedure。它基于this paper提供的原始fortran代码。它实际上只是一个围绕原始Fortran代码的python包装器，所以您知道它可能工作得很好，并且不会有buggy。

如果您想要更多以Python为中心的东西，并且愿意使用稍微简单一点的分解例程，StatsModels有一个：

尝试将数据移动到Pandas DataFrame中，然后调用StatsModels tsa.seasonal_decompose。请参阅following example：

import statsmodels.api as sm

dta = sm.datasets.co2.load_pandas().data
# deal with missing values. see issue
dta.co2.interpolate(inplace=True)

res = sm.tsa.seasonal_decompose(dta.co2)
resplot = res.plot()

​

​

然后，您可以从以下位置恢复分解的各个组件：

res.resid
res.seasonal
res.trend

我希望这能帮到你!

Answer 2

您还可以使用rpy2从python中调用R

from rpy2.robjects import r
def decompose(series, frequency, s_window, **kwargs):
    df = pd.DataFrame()
    df['date'] = series.index
    s = [x for x in series.values]
    length = len(series)
    s = r.ts(s, frequency=frequency)
    decomposed = [x for x in r.stl(s, s_window, **kwargs).rx2('time.series')]
    df['observed'] = series.values
    df['trend'] = decomposed[length:2*length]
    df['seasonal'] = decomposed[0:length]
    df['residual'] = decomposed[2*length:3*length]
    return df

上面的函数假设您的系列有一个日期时间索引。它会返回一个包含各个组件的数据帧，然后您可以用自己喜欢的图形库绘制这些数据帧。

您可以传递stl seen here的参数，但可以将任何句号更改为下划线，例如，上面函数中的位置参数是s_window，但在上面的链接中它是s.window。此外，我在this存储库中找到了上面的一些代码。

Answer 3

另一个python选项是seasonal包(PyPI、github)。它类似于StatsModels seasonal_decompose，还可以估计数据的周期性。