Python 分解趋势、季节和剩余时间序列元素
我有一个带有几个时间序列的Python 分解趋势、季节和剩余时间序列元素,python,pandas,machine-learning,time-series,statsmodels,Python,Pandas,Machine Learning,Time Series,Statsmodels,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
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
我想分解第一个时间序列divida
,将其趋势与其季节性和剩余成分分开
我找到了答案,并尝试使用以下代码:
import statsmodels.api as sm
s=sm.tsa.seasonal_decompose(divida.divida)
然而,我不断地得到这个错误:
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'
回溯(最近一次呼叫最后一次):
文件“/Users/Pred_UnBR_Mod2.py”,第78行,在s=sm.tsa.seasonal_decompose(divida.divida)中
文件“/Library/Python/2.7/site packages/statsmodels/tsa/seasonal.py”,第58行,在seasonal_decompose_pandas_包装器中,pfreq=_maybe_get_pandas_包装器_freq(x)
文件“/Library/Python/2.7/site-packages/statsmodels/tsa/filters/_-utils.py”,第46行,在“可能”、“获得”、“熊猫”、“包装器”和“频率”中
freq=index.expressed\u freq
AttributeError:“Index”对象没有“推断频率”属性
如何继续?在将
索引转换为日期时间索引时可以正常工作:
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>
仅当您提供频率时,Statsmodel才会分解序列。通常所有的时间序列索引都会包含频率,例如:按天、工作日、每周,所以它会显示错误。您可以通过两种方式删除此错误:
Stefan所做的是将索引列赋予pandasDateTime
函数。它使用内部函数expert_freq
查找频率并返回带有频率的索引
否则,您可以将索引列的频率设置为df.index.asfreq(freq='m')
。此处m
表示月份。如果您有领域知识或通过d
设置频率
简单一点:
遵循三个步骤:
1.如果未完成,请在yyyy-mm-dd
或dd-mm-yyy
中创建列(使用excel)。
2.然后使用pandas将其转换为日期格式,如下所示:
df['Date']=pd.to_datetime(df['Date'])
3.使用以下方法对其进行分解:
from statsmodels.tsa.seasonal import seasonal_decompose
decomposition=seasonal_decompose(ts_log)
最后:
这取决于索引格式。可以使用DateTimeIndex,也可以使用PeriodIndex。Stefan给出了DateTimeIndex的示例。下面是我的PeriodIndex示例。
我的原始数据框架有一个多索引索引,第一级是年,第二级是月。以下是我如何将其转换为PeriodIndex:
df["date"] = pd.PeriodIndex (df.index.map(lambda x: "{0}{1:02d}".format(*x)),freq="M")
df = df.set_index("date")
现在,季节分解可以使用它了。尝试使用parse\u dates解析date列,稍后再提到index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)
你的divida.index.dtype是什么?这应该是一个DatetimeIndexQuick问题:如何访问该结果?我只收到了感谢@Stefan,救了我的命!您好,当我尝试此代码时,我得到以下错误:AttributeError:“RangeIndex”对象没有属性“推断的频率”
任何建议??错误表明您的索引属于RangeIndex
类型,而它应该是DateTimeIndex
(请参阅示例中的Date
列的情况)@Leevo您必须指定一个频率,例如,您可以对数据重新采样:谢谢,旧问题已经解决。但是现在它说:ValueError:无法插入级别0,已经存在了
。有什么建议吗?对你的问题做一些更详细的描述。带有回溯错误的代码将有助于解决此问题
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)