Python中的时间序列分解函数

Question

时间序列分解是一种将时间序列数据集分成三个（或更多）组件的方法。例如：

x(t) = s(t) + m(t) + e(t)

在哪里

t is the time coordinate
x is the data
s is the seasonal component
e is the random error term
m is the trend

在 R 中，我会执行函数 decompose 和 stl。我将如何在 python 中执行此操作？

Answer 1

你被介绍给scipy了吗？根据我在几个 PDF/网站中看到的内容

Here 和 Here

这是可行的。但是如果没有看到一个具体的例子，就很难有人向你展示一个代码示例。 Scipy 太棒了，我在我的研究中使用它，仍然没有被它失望。

Answer 2

您可以使用 rpy2 从 python 调用 R 函数 使用 pip 安装 rpy2： pip install rpy2 然后使用这个包装器：https://gist.github.com/andreas-h/7808564 来调用 R 提供的 STL 功能

Answer 3

我遇到了类似的问题，正在努力寻找最佳的前进道路。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！

Answer 4

我已经回答了这个问题here，但下面是关于如何使用 rpy2 执行此操作的快速函数。这使您可以使用 R 的鲁棒统计分解与 loess，但在 python 中！

    import pandas as pd

    from rpy2.robjects import r, pandas2ri
    import numpy as np
    from rpy2.robjects.packages import importr


def decompose(series, frequency, s_window = 'periodic', log = False,  **kwargs):
    '''
    Decompose a time series into seasonal, trend and irregular components using loess, 
    acronym STL.
    https://www.rdocumentation.org/packages/stats/versions/3.4.3/topics/stl

    params:
        series: a time series

        frequency: the number of observations per “cycle” 
                   (normally a year, but sometimes a week, a day or an hour)
                   https://robjhyndman.com/hyndsight/seasonal-periods/

        s_window: either the character string "periodic" or the span 
                 (in lags) of the loess window for seasonal extraction, 
                 which should be odd and at least 7, according to Cleveland 
                 et al.

        log:    boolean.  take log of series



        **kwargs:  See other params for stl at 
           https://www.rdocumentation.org/packages/stats/versions/3.4.3/topics/stl
    '''

    df = pd.DataFrame()
    df['date'] = series.index
    if log: series = series.pipe(np.log)
    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).rx2('time.series')]
    df['observed'] = series.values
    df['trend'] = decomposed[length:2*length]
    df['seasonal'] = decomposed[0:length]
    df['residuals'] = 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 repository 上找到了上面的一些代码。

示例数据

希望以下内容有效，老实说还没有尝试过，因为这是我回答问题很久之后的请求。

import pandas as pd
import numpy as np
obs_per_cycle = 52
observations = obs_per_cycle * 3
data = [v+2*i for i,v in enumerate(np.random.normal(5, 1, observations))]
tidx = pd.date_range('2016-07-01', periods=observations, freq='w')
ts = pd.Series(data=data, index=tidx)
df = decompose(ts, frequency=obs_per_cycle, s_window = 'periodic')