如何在python中反转时间序列的季节性日志差异

你能帮我解决这个问题吗，因为我做了很多搜索，但无法解决它。我有一个电力消费的多元数据框架，我正在使用VAR（向量自回归）模型对时间序列进行预测。 我做了预测，但我需要反转时间序列（能量_log _diff），因为我应用了季节性的对数差，使序列平稳，以获得真实的能量值：

df['energy_log'] = np.log(df['energy'])
df['energy_log_diff'] = df['energy_log'] - df['energy_log'].shift(1)

为此，我首先做了：

df['energy'] = np.exp(df['energy_log_diff']) 

这应该会给出两个值之间的能量差滞后365天，但我也不确定这一点

---

我怎样才能做到这一点？

简短回答-您必须以相反的顺序运行逆变换，在您的情况下，这意味着：

差分反变换

对数的逆变换

例如，描述了如何将差异预测转换回来（它有R标志，但没有代码，甚至Python的想法也是一样的）。在你的帖子中，你计算了指数，但在计算之前你必须先反向求差

你可以试试这个：

energy_log_diff_rev = []
v_prev = v_0
for v in df['energy_log_diff']:
    v_prev += v
    energy_log_diff_rev.append(v_prev)

或者，如果您喜欢

pandas

方式，您可以尝试以下方法（仅适用于一阶差）：

注意

v_0

值，它是原始值（在差异之前的日志转换之后），在上面的链接中进行了描述

然后，在此步骤之后，您可以执行指数（对数的倒数）：

注释/问题：

• 您提到了365的滞后值，但您将数据移动了1。这是否意味着你有年度数据？或者您想这样做-

  df['energy\u log\u diff']=df['energy\u log']-df['energy\u log'].shift（365）

  （在数据每日粒度的情况下）
• 你想从预测中得到相反的时间序列，对吗？还是我遗漏了什么？在这种情况下，您将对预测进行逆变换，而不是对我上面用于解释的数据进行逆变换

---

我们使用log diff的原因是它们是相加的，所以我们可以使用累积和，然后乘以最后观察到的值

last_energy=df['energy'].iloc[-1]

df['energy']=(np.exp(df['energy'].cumsum())*last_energy)

根据季节性：如果您对对数差异进行去季节性处理，则只需在执行上述步骤之前进行加法（或乘法），如果您对原始系列进行去季节性处理，则在执行上述步骤之后再进行加法

energy_orig = np.exp(energy_log_diff_rev)

last_energy=df['energy'].iloc[-1]

df['energy']=(np.exp(df['energy'].cumsum())*last_energy)