Python 为什么我会得到；ValueError:零大小数组到没有标识的最大缩减操作”；在AutoArima（Pmdarima）中？

在使用pmdarima库中的AutoArima预测时间序列时，我得到了“ValueError:zero size array to reduction operation maximum，它没有标识”

数据的形状为（27,1），列车数据的形状为（24,1）

数据如下：

YearMnth       Quantity     
2018-10-01       384
2018-11-01       544
2018-12-01      1060
2019-01-01       190
2019-02-01       352
2019-03-01       873
2019-04-01       704
2019-05-01      1266
2019-06-01      1010
2019-07-01       604
2019-08-01       896
2019-09-01       909
2019-10-01      1229
2019-11-01      1515
2019-12-01      1063
2020-01-01      1014
2020-02-01       472
2020-03-01      2000
2020-04-01      1065
2020-05-01      1160
2020-06-01      1524
2020-07-01      1307
2020-08-01      1575
2020-09-01      1561
2020-10-01      2536
2020-11-01      1058
2020-12-01      1770

我想这可能是因为该系列的长度为27，但我无法承担更改长度的费用，因为有许多系列将进入程序，仅更改长度将不是正确的做法

同样，对于火车数据，长度为24，自动Arima模型可以很好地进行训练

以下是培训代码：

autoModel = pm.auto_arima(df_train.Quantity, trace=True, error_action='ignore',
                          suppress_warnings=True, seasonal=True, m=12, stepwise=True)
autoModel.fit(df_train.Quantity)
order = autoModel.order

预测代码：

autoModel = pm.auto_arima(df_series.Quantity, trace=True, error_action='ignore', 
                          suppress_warnings=True, seasonal=True, m=12, stepwise=True)
autoModel.fit(df_series.Quantity)
order = autoModel.order
seasonalOrder = autoModel.seasonal_order
ForecastValues = autoModel.predict(n_periods=6,order=order,seasonal_order=seasonalOrder)

以下是完整的错误消息：

   <ipython-input-137-0d894e08f9e0> in AutoSarima_Forecast(df_series, ForecastWindow)
      1 def AutoSarima_Forecast(df_series,ForecastWindow):
      2     autoModel = pm.auto_arima(df_series.Quantity, trace=True, error_action='ignore', 
----> 3                               suppress_warnings=True, seasonal=True, m=12, stepwise=True)
      4     autoModel.fit(df_series.Quantity)
      5     order = autoModel.order

~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/auto.py in auto_arima(y, X, start_p, d, start_q, max_p, max_d, max_q, start_P, D, start_Q, max_P, max_D, max_Q, max_order, m, seasonal, stationary, information_criterion, alpha, test, seasonal_test, stepwise, n_jobs, start_params, trend, method, maxiter, offset_test_args, seasonal_test_args, suppress_warnings, error_action, trace, random, random_state, n_fits, return_valid_fits, out_of_sample_size, scoring, scoring_args, with_intercept, sarimax_kwargs, **fit_args)
    521     elif D is None:  # we don't have a D yet and we need one (seasonal)
    522         D = nsdiffs(xx, m=m, test=seasonal_test, max_D=max_D,
--> 523                     **seasonal_test_args)
    524 
    525         if D > 0 and X is not None:

~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/utils.py in nsdiffs(x, m, max_D, test, **kwargs)
    121             return D
    122 
--> 123         dodiff = testfunc(x)
    124 
    125     return D

~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/seasonality.py in estimate_seasonal_differencing_term(self, x)
    590 
    591         # Get the critical value for m
--> 592         stat = self._compute_test_statistic(x)
    593         crit_val = self._calc_ocsb_crit_val(self.m)
    594         return int(stat > crit_val)

~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/seasonality.py in _compute_test_statistic(self, x)
    530             for lag_term in range(1, maxlag + 1):  # 1 -> maxlag (incl)
    531                 try:
--> 532                     fit = self._fit_ocsb(x, m, lag_term, maxlag)
    533                     fits.append(fit)
    534                     icvals.append(icfunc(fit))

~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/seasonality.py in _fit_ocsb(x, m, lag, max_lag)
    486         # the linear model's constructor
    487         mf = ylag[:y.shape[0]]
--> 488         ar_fit = sm.OLS(y, add_constant(mf)).fit(method='qr')
    489 
    490         # Create Z4

~/anaconda3/envs/python3/lib/python3.6/site-packages/statsmodels/tools/tools.py in add_constant(data, prepend, has_constant)
    336         raise ValueError('Only implemented for 2-dimensional arrays')
    337 
--> 338     is_nonzero_const = np.ptp(x, axis=0) == 0
    339     is_nonzero_const &= np.all(x != 0.0, axis=0)
    340     if is_nonzero_const.any():

<__array_function__ internals> in ptp(*args, **kwargs)

~/anaconda3/envs/python3/lib/python3.6/site-packages/numpy/core/fromnumeric.py in ptp(a, axis, out, keepdims)
   2579         else:
   2580             return ptp(axis=axis, out=out, **kwargs)
-> 2581     return _methods._ptp(a, axis=axis, out=out, **kwargs)
   2582 
   2583 

~/anaconda3/envs/python3/lib/python3.6/site-packages/numpy/core/_methods.py in _ptp(a, axis, out, keepdims)
    245 def _ptp(a, axis=None, out=None, keepdims=False):
    246     return um.subtract(
--> 247         umr_maximum(a, axis, None, out, keepdims),
    248         umr_minimum(a, axis, None, None, keepdims),
    249         out

ValueError: zero-size array to reduction operation maximum which has no identity

在AutoSarima_预测中（df_系列，ForecastWindow） 1 def AutoSarima_预测（df_系列，预测窗口）： 2 autoModel=pm.auto\u arima（df\u series.Quantity，trace=True，error\u action='ignore'， ---->3抑制（警告=真、季节=真、m=12、逐步=真） 4自动模型安装（df_系列数量） 5订单=autoModel.order 在auto_arima中~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/auto.py（y，X，开始p，d，开始q，最大p，最大d，最大q，开始p，d，开始q，最大p，最大p，最大d，最大顺序，m，季节性，平稳性，信息标准，阿尔法，测试，季节性测试，逐步，n个作业，开始参数，趋势，方法，最大值，偏移测试参数，季节性测试参数，抑制警告，错误动作，跟踪，随机，随机状态，n拟合，返回_有效拟合、超出样本大小、计分、计分参数、带截距、sarimax、kwargs、**拟合参数） 521 elif D没有：#我们还没有D，我们需要一个（季节性的） 522 D=NSDiff（xx，m=m，测试=季节性测试，最大D=最大D， -->523**季节性试验（参数） 524 525如果D>0且X不是无： nsdiff中的~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/utils.py（x，m，max_D，test，**kwargs） 121返回D 122 -->123 dodiff=testfunc（x） 124 125返回D 估算项中的~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/季节性.py 590 591#获取m的临界值 -->592统计=自我计算测试统计（x） 593临界值=self.\u calc\u ocsb\u临界值（self.m） 594返回整数（统计>临界值） ~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/季节性.py in_compute_test_statistic（self，x） 530范围内的滞后项（1，最大滞后+1）：#1->最大滞后（包括） 531尝试： -->532拟合=自拟合ocsb（x，m，滞后项，最大滞后） 533适合。附加（适合） 534 icvals.append（icfunc（fit）） ~/anaconda3/envs/python3/lib/python3.6/site-packages/pmdarima/arima/季节性.py in_-fit_-ocsb（x，m，滞后，最大滞后） 486#线性模型的构造函数 487 mf=ylag[：y.形状[0]] -->488 ar_fit=sm.OLS（y，加上常数（mf））.fit（方法='qr'） 489 490#创建Z4 添加常量中的~/anaconda3/envs/python3/lib/python3.6/site-packages/statsmodels/tools/tools.py（数据，前置，具有常量） 336 raise VALUERROR（'仅对二维数组实施'） 337 -->338是非零常数=np。ptp（x，轴=0）==0 339是非零常数&=np.all（x！=0.0，轴=0） 340如果是非零常数any（）： 在ptp中（*args，**kwargs） ptp中的~/anaconda3/envs/python3/lib/python3.6/site-packages/numpy/core/fromneric.py（a、axis、out、keepdims） 2579其他： 2580返回ptp（轴=轴，输出=输出，**kwargs） ->2581返回方法。ptp（a，轴=轴，输出=输出，**kwargs） 2582 2583 ~/anaconda3/envs/python3/lib/python3.6/site-packages/numpy/core//u methods.py in\u ptp（a、axis、out、keepdims） 245 def_ptp（a，轴=无，输出=无，keepdims=假）： 246返回um.subtract( -->247 umr_最大值（a、轴、无、输出、保持）， 最低248 umr_（a、轴、无、无、保持）， 249分 ValueError:从零大小数组到没有标识的最大缩减操作 如果只是因为序列的长度而不是由pmdArima处理，那么解决问题的解决方法应该是什么