简介这是一份围绕Pandas时间序列处理与分析的数据分析教程PDF以西雅图费利蒙桥自行车流量计数数据为例面向入门Python数据分析、希望系统梳理时间序列实操流程的读者。实例从数据获取与加载讲起使用read_csv()将CSV数据导入DataFrame以日期列作为行索引并自动解析时间格式随后完成列名重命名、缺失值与重复值检查、dropna()与drop_duplicates()数据清洗并通过describe()查看均值、标准差、最值等基本统计信息为后续分析打好基础。可视化部分覆盖原始小时级数据绘图、单年切片对比、按周与按月重采样聚合以及30天滚动平均计算能直观展现夏季骑行量高于冬季、周内波动受天气影响等季节性规律。资源为单个PDF文档共1个文件压缩包大小约391KB适合结合Pandas教材或数据分析课程进行代码对照、复习与实操演练。目前已有1113人浏览学习可快速掌握时间序列数据的读取、清洗、重采样、滚动统计与可视化完整链路。1. 一本时间序列PDF为什么值得你用一整个下午去啃把 PDF 翻完的人十个有八个会在自己动手时卡壳跟着教程敲完了plot()图也出来了可一旦换成自己的业务数据模型要么预测值全部偏移要么画出来的曲线跟噪声差不多。原因很简单——时间序列和普通 DataFrame 操作是两套思维前者要求你先把索引、频率、平稳性这些地基打牢否则后面每一步都是黑匣子里的玄学。这本《Python数据分析实践时间序列实例》的价值不在代码本身而在它逼你把「日期当索引、按频率重采样、按时间切分训练集」这一整套流程走一遍。想用 Python 做销量预测、指标监控、异常检测的从业者都能从中受益但前提是——别只看不练照着敲完再换成自己的数据重跑一次才算真的读完了。2. 建好时间索引从 CSV 到可以建模的数据管道时间序列分析的第一步不是选模型而是把数据喂成「时间序列该有的样子」。PDF 里的案例通常给的是干净数据但你自己拿到的 CSV 大概率带着千奇百怪的时间格式、缺失的时间戳、甚至混着时区问题。这一章先把数据管道打通。2.1 把 CSV 装进 DatetimeIndexto_datetime与set_index的正确姿势常见做法是先读 CSV再检查时间列的类型。很多人直接pd.read_csv()后就开始画图结果 x 轴标签是一串字符串后续所有重采样、滞后操作全部失效。下面是最小可用代码import pandas as pd # 读取原始 CSV先别急着设索引 df pd.read_csv(sales.csv, encodingutf-8-sig) # 看一眼时间列长什么样再决定怎么解析 print(df.head()) print(df.dtypes) # 强制把日期列转成 datetime64格式不对时用 format 参数兜底 df[date] pd.to_datetime(df[date], format%Y-%m-%d, errorscoerce) # 排序 去重 设索引这三步顺序不能乱 df df.sort_values(date).drop_duplicates(subsetdate) df df.set_index(date).asfreq(D) # 检查索引是否连续 print(df.index.is_monotonic_increasing) print(df.index.freq) # 如果是 None说明存在空洞这里几个点值得展开说。errorscoerce会把解析不了的日期变成NaT后面你就能用df[df[date].isna()]找出脏数据而不是让程序在中间某个步骤莫名崩溃。asfreq(D)会把索引统一成按天连续缺失的日期会生成空行这时候必须决定填充策略——上一节说的插值、前向填充还是干脆丢弃。is_monotonic_increasing是很多人忽略的检查项CSV 里日期乱序会导致后续shift()和rolling()的结果完全错位。index.freq是否为None直接决定statsmodels的很多函数是否愿意跑——它们会抱怨freq缺失。2.2 重采样与缺失时间戳数据密度决定你能做哪种预测PDF 里大多数案例用的是月度数据但你自己手里的数据可能是小时级、分钟级甚至两天打鱼三天晒网。重采样这一步就是把不规则数据规整到固定频率同时也决定了你未来预测的粒度。# 按周聚合销量注意 observed 参数只对分类/日期分组有用 df_weekly df.resample(W-FRI).agg({sales: sum, cost: mean}) # 按小时聚合适合传感器或流量数据 df_hourly df.resample(h).ffill() # 前向填充 df_hourly_avg df.resample(h).interpolate(methodlinear) # 线性插值 # 高频降采样后低频模型不要直接上 print(df_weekly.head())重采样的核心逻辑是「降采样必须先聚合升采样必须选插值策略」——降采样日→周如果直接ffill()会把一周七天的值当成最后一天的值语义完全错误升采样周→日如果直接sum()相当于把同一周的值复制了七份引入了强烈自相关后面 ACF 图会被这条假信号带偏。W-FRI这类锚定星期五的周频率在零售场景很常见因为周末销售高峰被完整保留在一周内。至于interpolate还是ffill我的经验是业务数据销量、库存用ffill更符合「未知时维持原值」的直觉传感器数据用线性插值更平滑。日志里不要用bfill处理开头缺失否则等于伪造历史。2.3 时区与工作日历两条被多数教程忽略的隐性地雷时间序列教程很少提时区但只要你涉及跨地域数据、夏令时切换或 UTC 存储坑立刻出现。常见坑是数据库里存的是带时区的 UTC 时间你pd.to_datetime解析后得到的是datetime64[ns]无时区类型此时直接按本地时间重采样夏令时切换那天会莫名少一小时或出现重复一小时。# 正确做法解析时指定时区 df[date] pd.to_datetime(df[date], utcTrue) df df.set_index(date).tz_convert(Asia/Shanghai) # 如果需要按工作日对齐用 pd.offsets 而不是字符串 D from pandas.tseries.offsets import BDay df_business df.resample(BDay()).sum()utcTrue先统一到 UTC再tz_convert到目标时区可以避免字符串解析时的歧义。BDay()是工作日偏移量它自动跳过周六日但不跳过法定节假日——比如春节、国庆这种不固定日期需要自己传节假日日历pandas的CustomBusinessDay有能力处理但先记住有这回事等踩到再补也不迟。这里提醒一句国内很多业务数据本身就是自然日的销量未必需要用工作日偏移用BDay反而会把周末数据抹掉导致周一生销量暴增的假象。先问清楚业务口径再决定频率。3. 分解模型选型加法、乘法与 STL三条路怎么走时间序列分解是理解数据的第一步——把序列拆成趋势、季节性、残差三部分。PDF 里通常会把加法模型Y Trend Seasonal Residual和乘法模型Y Trend × Seasonal × Residual并列给出但很少讲清楚什么时候用哪个。这章把判断逻辑拉直了说。3.1 加法还是乘法一条三秒钟的判断规则判断标准其实就一句话看季节性波动的振幅是否随趋势水平变化。如果每年夏季的销量峰值在淡季翻倍时同步翻倍那就是乘法关系如果振幅稳定在某个绝对量附近趋势上升但波动幅度不变加法更合适。画个图看比统计检验直觉得多import matplotlib.pyplot as plt # 直接看原始曲线和移动平均的残差形态 df[trend] df[sales].rolling(window12, centerTrue).mean() df[detrended] df[sales] / df[trend] # 比值形态乘法 df[detrended_add] df[sales] - df[trend] # 差值形态加法 fig, axes plt.subplots(2, 1, figsize(12, 6)) axes[0].plot(df[detrended], labelratio (multiplicative)) axes[1].plot(df[detrended_add], labeldifference (additive)) plt.legend() plt.show()如果比值形态的曲线方差更稳定说明乘法模型合适差值形态更稳定说明加法合适。这个方法不够严谨但作为初判足够快。一个更可靠的替代方案是直接对原始序列取对数再做加法分解——对数变换把乘法关系变成加法关系seasonal_decompose的参数直接选modelmultiplicative底层也是先取对数再逆变换但手动取对数能让你更清楚发生了什么。3.2 用seasonal_decompose跑通最小分解三个参数决定质量statsmodels提供了开箱即用的分解函数但很多人不知道它的三个参数直接影响结论model决定加法还是乘法period决定一个季节周期的长度月度数据通常 12日数据通常是 7 而不是 30extrapolate_trend决定趋势部分的头部和尾部是否填充。from statsmodels.tsa.seasonal import seasonal_decompose # 日数据按周季节性分解 result seasonal_decompose( df[sales].dropna(), modeladditive, period7, extrapolate_trendfreq # 趋势两端用频域外推补齐 ) fig result.plot() fig.set_size_inches(12, 8) plt.tight_layout() plt.show() # 看残差是否还有结构 residual result.resid.dropna() print(residual.describe())period7是日数据最常见的取值因为一周七天是自然周期月度数据里period12是常识。period设错是最隐蔽的翻车点——比如月度数据设成 7分解出来的「季节性」会变成一段毫无业务含义的伪周期。extrapolate_trendfreq是必填项如果不设趋势序列两端会各空出半个周期长度的 NaN残差在两端全部失效。残差的描述统计可以用来判断分解是否充分如果残差的标准差跟原始序列差不多大说明趋势季节根本没解释多少信息数据可能本来就没有稳定的季节性。3.3 从 STL 到可解释性什么时候加法乘法都不够用加法乘法的硬伤是假设季节模式逐年不变。现实业务里季节形状会漂移——促销节奏变了、节假日日期移动了、消费习惯改了固定周期分解就会在残差里留下大片连续的正负信号。STLSeasonal-Trend decomposition using LOESS在这类场景更好用它允许季节性随时间平滑变化而且对异常值更鲁棒。from statsmodels.tsa.seasonal import STL # STL 的两个核心参数seasonal 设置季节项平滑窗口robust 抗异常点 stl STL(df[sales].dropna(), period7, seasonal13, robustTrue) res stl.fit() # 趋势和季节分别取出来用 trend res.trend seasonal res.seasonal resid res.resid # 对比 STL 与 seasonal_decompose 的残差大小 print(STL resid std:, resid.std()) print(classic resid std:, residual.std())seasonal13表示 LOESS 平滑窗口为 13 个周期控制季节成分随时间变化的速率——值越大季节越稳定值越小季节变化越快。robustTrue在数据有异常点比如大促当天销量翻十倍时特别重要它用迭代加权的方式给异常点降权避免季节曲线被一头一尾的两个极值带歪。STL 的唯一限制是只支持加法模型但乘法序列先做对数变换再跑 STL效果通常好于直接seasonal_decompose的乘法模式。如果 STL 的残差仍然有结构问题多半不在分解而在数据本身——这时候要去查是否有未建模的外部变量比如天气、竞品活动、政策变化。4. 平稳性与 ACF/PACF 判读从图表到检验的完整流程分解做完后数据变成了趋势 季节 残差。接下来选预测模型时ARIMA 这类经典方法要求序列平稳——即统计性质均值、方差不随时间变化。这一章是 PDF 里最容易「翻过去就忘了」的部分但也是决定模型成败的分水岭。4.1 平稳性为什么是时间序列建模的前置条件很多人觉得平稳性是统计学家的教条实际不是。ARIMA 的数学推导依赖「过去和现在的统计关系在未来依然成立」这一假设如果均值随时间漂移你用前五年的均值去预测下个月结果必然系统性偏移。更直白的解释是非平稳序列的均值、方差本身在变任何固定参数的模型都在用一个移动的靶子练习瞄准。图形检查是最快的判断方法——滚动均值和滚动标准差都平缓的曲线才可能是平稳的。但这只能排除明显非平稳检验还需要统计量。4.2 ADF 检验怎么读p 值、滞后阶数与autolagADFAugmented Dickey-Fuller检验是使用最广泛的单位根检验statsmodels里一行命令就能跑。关键是读懂输出里的三个数字检验统计量、p 值、滞后阶数。from statsmodels.tsa.stattools import adfuller # 对差分前的序列做 ADF 检验 result adfuller(df[sales].dropna(), autolagAIC) print(ADF Statistic:, result[0]) print(p-value:, result[1]) print(Lags Used:, result[2]) # 如果 p 0.05做一阶差分后再检验 df[diff_1] df[sales].diff() result_diff adfuller(df[diff_1].dropna(), autolagAIC) print(Diff p-value:, result_diff[1])autolagAIC表示自动选择最优滞后阶数这是默认的最佳实践。p 值小于 0.05 说明拒绝单位根假设序列平稳。常见误用是有的人直接拿adfuller的返回值第一个数跟临界值比较——当然也可以但 p 值更直观不用查表。如果一阶差分后仍不平稳先别急着二阶差分回头查数据是否有结构性突变——比如 2020 年疫情导致的断崖式下跌这类突变会让 ADF 检验失效分段检验比整体检验更有意义。4.3 从 ACF/PACF 到 ARIMA 的 p、q读图的两种方法中心极限定理式的「看图定阶」是时间序列里的传统艺能。ACF自相关函数显示滞后 k 期的相关性是否显著PACF偏自相关函数剔除中间滞后影响后的净相关。对于 ARIMA(p,d,q)PACF 截尾定 pACF 截尾定 q——这句话理论书里写了无数遍实操里的问题是「截尾」和「拖尾」的界限很模糊。from statsmodels.graphics.tsaplots import plot_acf, plot_pacf import matplotlib.pyplot as plt # 差分序列的 ACF 和 PACF diff_clean df[diff_1].dropna() fig, axes plt.subplots(2, 1, figsize(12, 8)) plot_acf(diff_clean, lags40, axaxes[0]) plot_pacf(diff_clean, lags40, axaxes[1], methodywm) plt.tight_layout() plt.show()plot_pacf的method参数值得注意——ywm是 Yule-Walker 的修正版在样本量不大时比默认的ols更稳定不会出现因为共线性导致的骤降。看图的要点是蓝色阴影区域是 95% 置信带柱子超出阴影带才算显著。如果 ACF 在滞后 1 处显著然后骤减PACF 缓慢衰减这是典型的 MA(1) 特征q1反过来 ACF 拖尾、PACF 截尾则是 AR(p)。但真实数据很少这么干净我的建议是让auto_arima或ARIMA的order_select跑几组候选再用 AIC 或 BIC 对比图只做方向性参考——这一步是 PDF 里最容易忽略的细节。5. 时间序列建模避坑指南5 个让预测翻车的常见问题这一章全部是踩坑记录。前四章的方法论再完整落到数据上总有几个防不胜防的坑我按「现象 → 原因 → 解决」的方式写出来。5.1 用浮点索引当时间戳预测错位一整年现象代码跑通了模型也出结果了但预测曲线和真实曲线看起来像被平移了一段RMSE 高得离谱。原因CSV 里的日期被read_csv自动推断成了类似2023-01-01的字符串而你在某一步用了df.reset_index()索引变成了整数 0,1,2…模型把「第几行」当成了「第几天」。解决建模前明确检查df.index.dtype确保是datetime64[ns]如果发现是int64回头从to_datetime开始排查而不是用pd.to_numeric打补丁。这个坑最气人的地方是它不报错所有输出都正常只有预测结果的偏移让你怀疑人生。5.2 先差分再预测结果对不上原始量纲现象对原始序列做了diff()模型预测的是差分值画图时拿预测的差分序列直接跟原始序列比较曲线完全对不上。原因预测完成后忘了做差分的逆运算——累积求和还原。解决ARIMA 模型预测后需要把差分序列还原为原始尺度。积木式代码是import numpy as np # 假设 model 是已经拟合好的 ARIMApredict 出来的是差分序列的预测 diff_forecast model.forecast(steps7) # 还原一阶差分预测值累加 最后一个真实值 last_value df[sales].iloc[-1] forecast np.cumsum(diff_forecast) last_value print(forecast)如果做了二阶差分还原逻辑就是「先累加一次得到一阶差分预测再累加一次并加上最后一个一阶差分值」容易写错。更省事的做法是直接用statsmodels的ARIMA类并传入原始序列它内部会自动完成差分和还原但前提是你把order里的d参数写正确。如果你手写差分务必把还原逻辑写成独立函数并单测。5.3 未来数据混进训练集滚动预测结果的虚高现象用train_test_split随机切分数据模型验证集上的 R² 高达 0.95但上线后预测一塌糊涂。原因时间序列不能随机切分。train_test_split的默认行为是随机抽样后一半时间的数据泄露到了训练集里模型提前「看过」未来。解决必须按时间顺序切分。from sklearn.model_selection import TimeSeriesSplit # 5 折时间序列交叉验证 tscv TimeSeriesSplit(n_splits5) for train_idx, test_idx in tscv.split(df): train, test df.iloc[train_idx], df.iloc[test_idx] # 每一折的训练集永远在测试集之前 print(fTrain: {train.index[0]} 到 {train.index[-1]}) print(fTest: {test.index[0]} 到 {test.index[-1]})TimeSeriesSplit是 sklearn 里专门处理这个问题的工具默认只按时间顺序增长切分永不泄露未来。这一点 PDF 里大概率提过但「随机切分」这个习惯太根深蒂固几乎每个转行做时间序列的人都会栽一次。如果你看到某篇博客用train_test_split做时间序列并且准确率极高可以直接关掉。5.4 差分后怎么还原预测cumsum 的边界条件现象用了 5.2 的cumsum还原逻辑但还原出来的预测值始终差一个常数。原因差分还原时要加的「最后一个真实值」应该是训练集最后一个值而不是测试集第一个值另一个细节是如果差分时用了df[sales].diff()第一个值是 NaN你dropna()后索引前移最后一个真实值的索引就对不上了。解决用last_value df.loc[train_end_idx, sales]显式取训练集最后一行不要用.iloc[-1]因为iloc对已重置索引的数据框才是安全的。边界条件永远是最容易阴沟翻船的地方建议写个断言检查还原后序列的首值和预期一致。5.5 重采样后的空洞让预测全是 NaN现象asfreq(D)后数据里出现大量 NaN模型直接报错用fillna(0)硬填后预测值全在零附近曲线死气沉沉。原因asfreq会把所有缺失日期都生成为 NaN 行如果原始数据缺了整整一个月用零填充会把那一个月变成「零销量」的模式模型学到的是异常低谷。解决先量缺失比例再决定策略。缺失少于 5% 用interpolate(methodtime)按时间间隔插值缺失超过 20% 应该回到业务方问清楚——是没记录还是真的没销量这两者的处理方式完全不同。interpolate(methodtime)会按时间间隔的比例插值比线性插值更自然但注意它要求索引是 datetime 类型。6. 把 PDF 里的案例改造成滚动预测验证集划分与误差回测的一个技巧PDF 看到最后通常是一个完整案例读数据、分解、建 ARIMA、预测未来 N 期、画图。但你如果照着做会发现自己预测的是「从今天开始的未来 30 天」而图上的真实值还没发生你根本无法判断预测好不好。问题的根源在于——时间序列模型的验证不该是一次性切分而应该是滚动回测。from sklearn.metrics import mean_absolute_error # 每次只预测一步然后滚动更新训练集 history df[sales].iloc[:-30].tolist() test df[sales].iloc[-30:].tolist() predictions [] for t in range(len(test)): model ARIMA(history, order(2,1,2)) model_fit model.fit() yhat model_fit.forecast(steps1)[0] predictions.append(yhat) history.append(test[t]) # 把真实值加入历史模拟上线后的状态 mae mean_absolute_error(test, predictions) print(fRolling MAE: {mae:.2f})这里每一轮都把真实值追加到历史再重新拟合模拟的是「每天早上用昨天为止的数据预测今天」的真实业务环境。对比一次性预测 30 天滚动预测的 MAE 会小很多但这个数值才是你上线后真实能逼近的水平——一次性预测 30 天的误差会随时间快速放大滚动预测则每次都只用最近信息。实际业务里如果预测频率是每天一次就把预测步长设为 1如果每周一次步长设为 7。步长越长误差越大这是常态不要拿滚动 MAE 去跟一次性预测的 RMSE 比较。误差指标的选择上我习惯同时看 MAE 和 MAPE平均绝对百分比误差因为 MAE 受量纲影响同一套代码换个量纲完全无法判断好坏但 MAPE 在数据含零值时会爆炸所以如果序列有零销量改成 SMAPE 更稳。另一个容易被忽略的点是时间序列预测忘掉 R² 吧——它对均值回归模型天然友好一个「永远预测平均值」的纯傻瓜模型也能拿到不错的 R²但 MAE 会立刻戳穿它。最后说个我的习惯任何时间序列项目启动时先建一个「永远预测上期值」的 baselinenaive forecast跑一遍它的 MAE。如果复杂模型连这个 baseline 都打不过老老实实回到数据清洗环节不要再调参了——这个习惯帮我省了很多无谓的「调参玄学」也让我在接到新数据时能快速判断它到底有没有可预测性。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/9/27 23:17:44 · 阅读 1.2k 时间序列分析实战：从数据清洗到ARIMA建模的完整指南
简介这是一份围绕Pandas时间序列处理与分析的数据分析教程PDF以西雅图费利蒙桥自行车流量计数数据为例面向入门Python数据分析、希望系统梳理时间序列实操流程的读者。实例从数据获取与加载讲起使用read_csv()将CSV数据导入DataFrame以日期列作为行索引并自动解析时间格式随后完成列名重命名、缺失值与重复值检查、dropna()与drop_duplicates()数据清洗并通过describe()查看均值、标准差、最值等基本统计信息为后续分析打好基础。可视化部分覆盖原始小时级数据绘图、单年切片对比、按周与按月重采样聚合以及30天滚动平均计算能直观展现夏季骑行量高于冬季、周内波动受天气影响等季节性规律。资源为单个PDF文档共1个文件压缩包大小约391KB适合结合Pandas教材或数据分析课程进行代码对照、复习与实操演练。目前已有1113人浏览学习可快速掌握时间序列数据的读取、清洗、重采样、滚动统计与可视化完整链路。1. 一本时间序列PDF为什么值得你用一整个下午去啃把 PDF 翻完的人十个有八个会在自己动手时卡壳跟着教程敲完了plot()图也出来了可一旦换成自己的业务数据模型要么预测值全部偏移要么画出来的曲线跟噪声差不多。原因很简单——时间序列和普通 DataFrame 操作是两套思维前者要求你先把索引、频率、平稳性这些地基打牢否则后面每一步都是黑匣子里的玄学。这本《Python数据分析实践时间序列实例》的价值不在代码本身而在它逼你把「日期当索引、按频率重采样、按时间切分训练集」这一整套流程走一遍。想用 Python 做销量预测、指标监控、异常检测的从业者都能从中受益但前提是——别只看不练照着敲完再换成自己的数据重跑一次才算真的读完了。2. 建好时间索引从 CSV 到可以建模的数据管道时间序列分析的第一步不是选模型而是把数据喂成「时间序列该有的样子」。PDF 里的案例通常给的是干净数据但你自己拿到的 CSV 大概率带着千奇百怪的时间格式、缺失的时间戳、甚至混着时区问题。这一章先把数据管道打通。2.1 把 CSV 装进 DatetimeIndexto_datetime与set_index的正确姿势常见做法是先读 CSV再检查时间列的类型。很多人直接pd.read_csv()后就开始画图结果 x 轴标签是一串字符串后续所有重采样、滞后操作全部失效。下面是最小可用代码import pandas as pd # 读取原始 CSV先别急着设索引 df pd.read_csv(sales.csv, encodingutf-8-sig) # 看一眼时间列长什么样再决定怎么解析 print(df.head()) print(df.dtypes) # 强制把日期列转成 datetime64格式不对时用 format 参数兜底 df[date] pd.to_datetime(df[date], format%Y-%m-%d, errorscoerce) # 排序 去重 设索引这三步顺序不能乱 df df.sort_values(date).drop_duplicates(subsetdate) df df.set_index(date).asfreq(D) # 检查索引是否连续 print(df.index.is_monotonic_increasing) print(df.index.freq) # 如果是 None说明存在空洞这里几个点值得展开说。errorscoerce会把解析不了的日期变成NaT后面你就能用df[df[date].isna()]找出脏数据而不是让程序在中间某个步骤莫名崩溃。asfreq(D)会把索引统一成按天连续缺失的日期会生成空行这时候必须决定填充策略——上一节说的插值、前向填充还是干脆丢弃。is_monotonic_increasing是很多人忽略的检查项CSV 里日期乱序会导致后续shift()和rolling()的结果完全错位。index.freq是否为None直接决定statsmodels的很多函数是否愿意跑——它们会抱怨freq缺失。2.2 重采样与缺失时间戳数据密度决定你能做哪种预测PDF 里大多数案例用的是月度数据但你自己手里的数据可能是小时级、分钟级甚至两天打鱼三天晒网。重采样这一步就是把不规则数据规整到固定频率同时也决定了你未来预测的粒度。# 按周聚合销量注意 observed 参数只对分类/日期分组有用 df_weekly df.resample(W-FRI).agg({sales: sum, cost: mean}) # 按小时聚合适合传感器或流量数据 df_hourly df.resample(h).ffill() # 前向填充 df_hourly_avg df.resample(h).interpolate(methodlinear) # 线性插值 # 高频降采样后低频模型不要直接上 print(df_weekly.head())重采样的核心逻辑是「降采样必须先聚合升采样必须选插值策略」——降采样日→周如果直接ffill()会把一周七天的值当成最后一天的值语义完全错误升采样周→日如果直接sum()相当于把同一周的值复制了七份引入了强烈自相关后面 ACF 图会被这条假信号带偏。W-FRI这类锚定星期五的周频率在零售场景很常见因为周末销售高峰被完整保留在一周内。至于interpolate还是ffill我的经验是业务数据销量、库存用ffill更符合「未知时维持原值」的直觉传感器数据用线性插值更平滑。日志里不要用bfill处理开头缺失否则等于伪造历史。2.3 时区与工作日历两条被多数教程忽略的隐性地雷时间序列教程很少提时区但只要你涉及跨地域数据、夏令时切换或 UTC 存储坑立刻出现。常见坑是数据库里存的是带时区的 UTC 时间你pd.to_datetime解析后得到的是datetime64[ns]无时区类型此时直接按本地时间重采样夏令时切换那天会莫名少一小时或出现重复一小时。# 正确做法解析时指定时区 df[date] pd.to_datetime(df[date], utcTrue) df df.set_index(date).tz_convert(Asia/Shanghai) # 如果需要按工作日对齐用 pd.offsets 而不是字符串 D from pandas.tseries.offsets import BDay df_business df.resample(BDay()).sum()utcTrue先统一到 UTC再tz_convert到目标时区可以避免字符串解析时的歧义。BDay()是工作日偏移量它自动跳过周六日但不跳过法定节假日——比如春节、国庆这种不固定日期需要自己传节假日日历pandas的CustomBusinessDay有能力处理但先记住有这回事等踩到再补也不迟。这里提醒一句国内很多业务数据本身就是自然日的销量未必需要用工作日偏移用BDay反而会把周末数据抹掉导致周一生销量暴增的假象。先问清楚业务口径再决定频率。3. 分解模型选型加法、乘法与 STL三条路怎么走时间序列分解是理解数据的第一步——把序列拆成趋势、季节性、残差三部分。PDF 里通常会把加法模型Y Trend Seasonal Residual和乘法模型Y Trend × Seasonal × Residual并列给出但很少讲清楚什么时候用哪个。这章把判断逻辑拉直了说。3.1 加法还是乘法一条三秒钟的判断规则判断标准其实就一句话看季节性波动的振幅是否随趋势水平变化。如果每年夏季的销量峰值在淡季翻倍时同步翻倍那就是乘法关系如果振幅稳定在某个绝对量附近趋势上升但波动幅度不变加法更合适。画个图看比统计检验直觉得多import matplotlib.pyplot as plt # 直接看原始曲线和移动平均的残差形态 df[trend] df[sales].rolling(window12, centerTrue).mean() df[detrended] df[sales] / df[trend] # 比值形态乘法 df[detrended_add] df[sales] - df[trend] # 差值形态加法 fig, axes plt.subplots(2, 1, figsize(12, 6)) axes[0].plot(df[detrended], labelratio (multiplicative)) axes[1].plot(df[detrended_add], labeldifference (additive)) plt.legend() plt.show()如果比值形态的曲线方差更稳定说明乘法模型合适差值形态更稳定说明加法合适。这个方法不够严谨但作为初判足够快。一个更可靠的替代方案是直接对原始序列取对数再做加法分解——对数变换把乘法关系变成加法关系seasonal_decompose的参数直接选modelmultiplicative底层也是先取对数再逆变换但手动取对数能让你更清楚发生了什么。3.2 用seasonal_decompose跑通最小分解三个参数决定质量statsmodels提供了开箱即用的分解函数但很多人不知道它的三个参数直接影响结论model决定加法还是乘法period决定一个季节周期的长度月度数据通常 12日数据通常是 7 而不是 30extrapolate_trend决定趋势部分的头部和尾部是否填充。from statsmodels.tsa.seasonal import seasonal_decompose # 日数据按周季节性分解 result seasonal_decompose( df[sales].dropna(), modeladditive, period7, extrapolate_trendfreq # 趋势两端用频域外推补齐 ) fig result.plot() fig.set_size_inches(12, 8) plt.tight_layout() plt.show() # 看残差是否还有结构 residual result.resid.dropna() print(residual.describe())period7是日数据最常见的取值因为一周七天是自然周期月度数据里period12是常识。period设错是最隐蔽的翻车点——比如月度数据设成 7分解出来的「季节性」会变成一段毫无业务含义的伪周期。extrapolate_trendfreq是必填项如果不设趋势序列两端会各空出半个周期长度的 NaN残差在两端全部失效。残差的描述统计可以用来判断分解是否充分如果残差的标准差跟原始序列差不多大说明趋势季节根本没解释多少信息数据可能本来就没有稳定的季节性。3.3 从 STL 到可解释性什么时候加法乘法都不够用加法乘法的硬伤是假设季节模式逐年不变。现实业务里季节形状会漂移——促销节奏变了、节假日日期移动了、消费习惯改了固定周期分解就会在残差里留下大片连续的正负信号。STLSeasonal-Trend decomposition using LOESS在这类场景更好用它允许季节性随时间平滑变化而且对异常值更鲁棒。from statsmodels.tsa.seasonal import STL # STL 的两个核心参数seasonal 设置季节项平滑窗口robust 抗异常点 stl STL(df[sales].dropna(), period7, seasonal13, robustTrue) res stl.fit() # 趋势和季节分别取出来用 trend res.trend seasonal res.seasonal resid res.resid # 对比 STL 与 seasonal_decompose 的残差大小 print(STL resid std:, resid.std()) print(classic resid std:, residual.std())seasonal13表示 LOESS 平滑窗口为 13 个周期控制季节成分随时间变化的速率——值越大季节越稳定值越小季节变化越快。robustTrue在数据有异常点比如大促当天销量翻十倍时特别重要它用迭代加权的方式给异常点降权避免季节曲线被一头一尾的两个极值带歪。STL 的唯一限制是只支持加法模型但乘法序列先做对数变换再跑 STL效果通常好于直接seasonal_decompose的乘法模式。如果 STL 的残差仍然有结构问题多半不在分解而在数据本身——这时候要去查是否有未建模的外部变量比如天气、竞品活动、政策变化。4. 平稳性与 ACF/PACF 判读从图表到检验的完整流程分解做完后数据变成了趋势 季节 残差。接下来选预测模型时ARIMA 这类经典方法要求序列平稳——即统计性质均值、方差不随时间变化。这一章是 PDF 里最容易「翻过去就忘了」的部分但也是决定模型成败的分水岭。4.1 平稳性为什么是时间序列建模的前置条件很多人觉得平稳性是统计学家的教条实际不是。ARIMA 的数学推导依赖「过去和现在的统计关系在未来依然成立」这一假设如果均值随时间漂移你用前五年的均值去预测下个月结果必然系统性偏移。更直白的解释是非平稳序列的均值、方差本身在变任何固定参数的模型都在用一个移动的靶子练习瞄准。图形检查是最快的判断方法——滚动均值和滚动标准差都平缓的曲线才可能是平稳的。但这只能排除明显非平稳检验还需要统计量。4.2 ADF 检验怎么读p 值、滞后阶数与autolagADFAugmented Dickey-Fuller检验是使用最广泛的单位根检验statsmodels里一行命令就能跑。关键是读懂输出里的三个数字检验统计量、p 值、滞后阶数。from statsmodels.tsa.stattools import adfuller # 对差分前的序列做 ADF 检验 result adfuller(df[sales].dropna(), autolagAIC) print(ADF Statistic:, result[0]) print(p-value:, result[1]) print(Lags Used:, result[2]) # 如果 p 0.05做一阶差分后再检验 df[diff_1] df[sales].diff() result_diff adfuller(df[diff_1].dropna(), autolagAIC) print(Diff p-value:, result_diff[1])autolagAIC表示自动选择最优滞后阶数这是默认的最佳实践。p 值小于 0.05 说明拒绝单位根假设序列平稳。常见误用是有的人直接拿adfuller的返回值第一个数跟临界值比较——当然也可以但 p 值更直观不用查表。如果一阶差分后仍不平稳先别急着二阶差分回头查数据是否有结构性突变——比如 2020 年疫情导致的断崖式下跌这类突变会让 ADF 检验失效分段检验比整体检验更有意义。4.3 从 ACF/PACF 到 ARIMA 的 p、q读图的两种方法中心极限定理式的「看图定阶」是时间序列里的传统艺能。ACF自相关函数显示滞后 k 期的相关性是否显著PACF偏自相关函数剔除中间滞后影响后的净相关。对于 ARIMA(p,d,q)PACF 截尾定 pACF 截尾定 q——这句话理论书里写了无数遍实操里的问题是「截尾」和「拖尾」的界限很模糊。from statsmodels.graphics.tsaplots import plot_acf, plot_pacf import matplotlib.pyplot as plt # 差分序列的 ACF 和 PACF diff_clean df[diff_1].dropna() fig, axes plt.subplots(2, 1, figsize(12, 8)) plot_acf(diff_clean, lags40, axaxes[0]) plot_pacf(diff_clean, lags40, axaxes[1], methodywm) plt.tight_layout() plt.show()plot_pacf的method参数值得注意——ywm是 Yule-Walker 的修正版在样本量不大时比默认的ols更稳定不会出现因为共线性导致的骤降。看图的要点是蓝色阴影区域是 95% 置信带柱子超出阴影带才算显著。如果 ACF 在滞后 1 处显著然后骤减PACF 缓慢衰减这是典型的 MA(1) 特征q1反过来 ACF 拖尾、PACF 截尾则是 AR(p)。但真实数据很少这么干净我的建议是让auto_arima或ARIMA的order_select跑几组候选再用 AIC 或 BIC 对比图只做方向性参考——这一步是 PDF 里最容易忽略的细节。5. 时间序列建模避坑指南5 个让预测翻车的常见问题这一章全部是踩坑记录。前四章的方法论再完整落到数据上总有几个防不胜防的坑我按「现象 → 原因 → 解决」的方式写出来。5.1 用浮点索引当时间戳预测错位一整年现象代码跑通了模型也出结果了但预测曲线和真实曲线看起来像被平移了一段RMSE 高得离谱。原因CSV 里的日期被read_csv自动推断成了类似2023-01-01的字符串而你在某一步用了df.reset_index()索引变成了整数 0,1,2…模型把「第几行」当成了「第几天」。解决建模前明确检查df.index.dtype确保是datetime64[ns]如果发现是int64回头从to_datetime开始排查而不是用pd.to_numeric打补丁。这个坑最气人的地方是它不报错所有输出都正常只有预测结果的偏移让你怀疑人生。5.2 先差分再预测结果对不上原始量纲现象对原始序列做了diff()模型预测的是差分值画图时拿预测的差分序列直接跟原始序列比较曲线完全对不上。原因预测完成后忘了做差分的逆运算——累积求和还原。解决ARIMA 模型预测后需要把差分序列还原为原始尺度。积木式代码是import numpy as np # 假设 model 是已经拟合好的 ARIMApredict 出来的是差分序列的预测 diff_forecast model.forecast(steps7) # 还原一阶差分预测值累加 最后一个真实值 last_value df[sales].iloc[-1] forecast np.cumsum(diff_forecast) last_value print(forecast)如果做了二阶差分还原逻辑就是「先累加一次得到一阶差分预测再累加一次并加上最后一个一阶差分值」容易写错。更省事的做法是直接用statsmodels的ARIMA类并传入原始序列它内部会自动完成差分和还原但前提是你把order里的d参数写正确。如果你手写差分务必把还原逻辑写成独立函数并单测。5.3 未来数据混进训练集滚动预测结果的虚高现象用train_test_split随机切分数据模型验证集上的 R² 高达 0.95但上线后预测一塌糊涂。原因时间序列不能随机切分。train_test_split的默认行为是随机抽样后一半时间的数据泄露到了训练集里模型提前「看过」未来。解决必须按时间顺序切分。from sklearn.model_selection import TimeSeriesSplit # 5 折时间序列交叉验证 tscv TimeSeriesSplit(n_splits5) for train_idx, test_idx in tscv.split(df): train, test df.iloc[train_idx], df.iloc[test_idx] # 每一折的训练集永远在测试集之前 print(fTrain: {train.index[0]} 到 {train.index[-1]}) print(fTest: {test.index[0]} 到 {test.index[-1]})TimeSeriesSplit是 sklearn 里专门处理这个问题的工具默认只按时间顺序增长切分永不泄露未来。这一点 PDF 里大概率提过但「随机切分」这个习惯太根深蒂固几乎每个转行做时间序列的人都会栽一次。如果你看到某篇博客用train_test_split做时间序列并且准确率极高可以直接关掉。5.4 差分后怎么还原预测cumsum 的边界条件现象用了 5.2 的cumsum还原逻辑但还原出来的预测值始终差一个常数。原因差分还原时要加的「最后一个真实值」应该是训练集最后一个值而不是测试集第一个值另一个细节是如果差分时用了df[sales].diff()第一个值是 NaN你dropna()后索引前移最后一个真实值的索引就对不上了。解决用last_value df.loc[train_end_idx, sales]显式取训练集最后一行不要用.iloc[-1]因为iloc对已重置索引的数据框才是安全的。边界条件永远是最容易阴沟翻船的地方建议写个断言检查还原后序列的首值和预期一致。5.5 重采样后的空洞让预测全是 NaN现象asfreq(D)后数据里出现大量 NaN模型直接报错用fillna(0)硬填后预测值全在零附近曲线死气沉沉。原因asfreq会把所有缺失日期都生成为 NaN 行如果原始数据缺了整整一个月用零填充会把那一个月变成「零销量」的模式模型学到的是异常低谷。解决先量缺失比例再决定策略。缺失少于 5% 用interpolate(methodtime)按时间间隔插值缺失超过 20% 应该回到业务方问清楚——是没记录还是真的没销量这两者的处理方式完全不同。interpolate(methodtime)会按时间间隔的比例插值比线性插值更自然但注意它要求索引是 datetime 类型。6. 把 PDF 里的案例改造成滚动预测验证集划分与误差回测的一个技巧PDF 看到最后通常是一个完整案例读数据、分解、建 ARIMA、预测未来 N 期、画图。但你如果照着做会发现自己预测的是「从今天开始的未来 30 天」而图上的真实值还没发生你根本无法判断预测好不好。问题的根源在于——时间序列模型的验证不该是一次性切分而应该是滚动回测。from sklearn.metrics import mean_absolute_error # 每次只预测一步然后滚动更新训练集 history df[sales].iloc[:-30].tolist() test df[sales].iloc[-30:].tolist() predictions [] for t in range(len(test)): model ARIMA(history, order(2,1,2)) model_fit model.fit() yhat model_fit.forecast(steps1)[0] predictions.append(yhat) history.append(test[t]) # 把真实值加入历史模拟上线后的状态 mae mean_absolute_error(test, predictions) print(fRolling MAE: {mae:.2f})这里每一轮都把真实值追加到历史再重新拟合模拟的是「每天早上用昨天为止的数据预测今天」的真实业务环境。对比一次性预测 30 天滚动预测的 MAE 会小很多但这个数值才是你上线后真实能逼近的水平——一次性预测 30 天的误差会随时间快速放大滚动预测则每次都只用最近信息。实际业务里如果预测频率是每天一次就把预测步长设为 1如果每周一次步长设为 7。步长越长误差越大这是常态不要拿滚动 MAE 去跟一次性预测的 RMSE 比较。误差指标的选择上我习惯同时看 MAE 和 MAPE平均绝对百分比误差因为 MAE 受量纲影响同一套代码换个量纲完全无法判断好坏但 MAPE 在数据含零值时会爆炸所以如果序列有零销量改成 SMAPE 更稳。另一个容易被忽略的点是时间序列预测忘掉 R² 吧——它对均值回归模型天然友好一个「永远预测平均值」的纯傻瓜模型也能拿到不错的 R²但 MAE 会立刻戳穿它。最后说个我的习惯任何时间序列项目启动时先建一个「永远预测上期值」的 baselinenaive forecast跑一遍它的 MAE。如果复杂模型连这个 baseline 都打不过老老实实回到数据清洗环节不要再调参了——这个习惯帮我省了很多无谓的「调参玄学」也让我在接到新数据时能快速判断它到底有没有可预测性。希望帮到你。本文还有配套的精品资源点击获取