Loess 用 Python 对时间序列进行季节性分解答案

【问题标题】：Seasonal Decomposition of Time Series by Loess with PythonLoess 用 Python 对时间序列进行季节性分解
【发布时间】：2014-12-15 17:25:15
【问题描述】：

我正在尝试用 Python 做 R 上的 STL 函数。

R 命令是

fit <- stl(elecequip, s.window=5)
plot(fit)

如何在 Python 中做到这一点？我调查了 statmodels.tsa 有一些时间序列分析功能，但我可以在文档中专门找到“黄土对时间序列的季节性分解”。类似地，在 Python.org 上有一个名为 timeseries 0.5.0 的库，但它没有文档，而且它的主站点往下看。我知道 rpy2 有一个使用包装器的选项，但我不知道如何使用包装器。

谢谢。

【问题讨论】：

标签： python r time-series

【解决方案1】：

我遇到了类似的问题，正在努力寻找最佳的前进道路。

Here is a github repo for an STL decomposition based on the Loess procedure。它基于this paper 提供的原始fortran 代码。它实际上只是原始 Fortran 代码的 Python 包装器，因此您知道它可能运行良好且没有错误。

如果您想要更以 Python 为中心的东西，并且愿意使用稍微简单的分解例程，StatsModels 有一个：

尝试将您的数据移动到 Pandas DataFrame 中，然后调用 StatsModels tsa.seasonal_decompose。见following example：

import statsmodels.api as sm

dta = sm.datasets.co2.load_pandas().data
# deal with missing values. see issue
dta.co2.interpolate(inplace=True)

res = sm.tsa.seasonal_decompose(dta.co2)
resplot = res.plot()

然后您可以从以下位置恢复分解的各个组件：

res.resid
res.seasonal
res.trend

我希望这会有所帮助！

【讨论】：

引用 StatsModels 0.6.0 版本说明：“我们添加了与 R 的分解相同的简单季节性分解工具。”所以考虑一下，这可能还没有准备好生产。
我认为分解不如基于模型的方法或 Loess 程序强大，但它似乎已经准备好生产，例如没有报告错误，它似乎适用于我执行的测试。您还看到什么让您说它还没有准备好生产？
“朴素季节性分解”就是这样，而且，这意味着很少（朴素贝叶斯，是朴素的，但如果数据符合假设，则效果很好）。还引用代码中的 cmets “这是一种幼稚的分解。应该首选更复杂的方法。”因此，如果它对您很有效，那很好，但请记住您使用的是什么。
按照 OP 的要求，我确实通过 Loess 程序链接到季节性分解，这比 Naive Seasonal Decomposition 更复杂。但由于这不是即插即用的，我还包括了 Naive Seasonal Decomposition，因为它包含在 StatsModels 中。不要太拘泥于算法的名称，无论它们是否包含“naive”这个词，因为这并不能反映它的生产价值，只是它的多功能性和设计算法时使用的假设。是的，我同意基于模型的方法更加通用。
我想在使用seasonal_decompose时检查残差并得到所有NaN，而使用R时没有发生这种情况......

【解决方案2】：

你也可以使用 rpy2 从 python 调用 R

from rpy2.robjects import r
def decompose(series, frequency, s_window, **kwargs):
    df = pd.DataFrame()
    df['date'] = series.index
    s = [x for x in series.values]
    length = len(series)
    s = r.ts(s, frequency=frequency)
    decomposed = [x for x in r.stl(s, s_window, **kwargs).rx2('time.series')]
    df['observed'] = series.values
    df['trend'] = decomposed[length:2*length]
    df['seasonal'] = decomposed[0:length]
    df['residual'] = decomposed[2*length:3*length]
    return df

上述函数假定您的系列具有日期时间索引。它返回一个包含各个组件的数据框，然后您可以使用您最喜欢的图形库对其进行图形化。

你可以传递stl seenhere的参数，但是将任何句点更改为下划线，例如上面函数中的位置参数是s_window，但在上面的链接中它是s.window。另外，我在this 存储库上找到了上面的一些代码。

【讨论】：

【解决方案3】：

另一个 python 选项是seasonal 包（PyPI、github）。它类似于 StatsModelsseasonal_decompose 并且还将估计您的数据的周期性。

【讨论】：