分解趋势、季节和剩余时间序列元素

Question

我有一个带有几个时间序列的DataFrame：

         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

我想对第一个时间序列divida进行分解，以便将其趋势与其季节性和残余成分区分开来。

我找到了一个答案here，并尝试使用以下代码：

import statsmodels.api as sm

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

然而，我一直收到这样的错误：

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'

我该怎么做？

Answer 1

当您将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

Statsmodel只在提供频率的情况下才会分解该系列。通常所有的时间序列指数都会包含频率，如:按日计算，商业天数，每周，所以它显示错误。您可以通过两种方法删除此错误：

1. 斯特凡所做的是，他把指数列给熊猫DateTime函数。它使用内部函数infer_freq来查找频率，并随频率返回索引。
2. 否则，可以将频率设置为索引列为df.index.asfreq(freq='m')。在这里，m表示月份。您可以设置频率，如果您有领域知识或通过d。

Answer 3

让它变得简单：

遵循三个步骤：

1. 如果未完成，则在yyyy-mm-dd或dd-mm-yyyy(使用excel)中创建列。
2. 然后使用熊猫将其转换为日期格式，如：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：

​

​