时间序列分析-ARIMA的python实现

0 时间序列分析步骤

1.  用pandas处理时序数据

2. 检验时序数据的平稳性

3. 将时序数据平稳化

4. 确定p.d.q值

5. 应用ARIMA模型对时序数据进行预测

其中ARIMA模型是Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型，只适用于单一变量的数据序列模型的预测。

ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。

先看一下我原始数据的样子，我只想对result进行数据序列分析。

数据是10年到19年的数据，每隔7天为一个样本

1 将数据转化成为时序数据

import pandas as pd
import numpy as np
import datetime
import matplotlib.pyplot as plt

#读取数据
data = pd.read_csv('factor.csv')
data.index = pd.to_datetime(data['date'])
myts = data.result
myts.head()

先将时间序列数据图片展示

def draw_ts(timeseries):
    f = plt.figure(facecolor='white')
    timeseries.plot(figsize=(12,8),color='blue')
    plt.show()
draw_ts(myts)