理論部分見：機器學習筆記： 時間序列 分解 STL_UQI-LIUWJ的博客-CSDN博客

1 基本用法

class statsmodels.tsa.seasonal.STL(endog, period=None, seasonal=7, trend=None, low_pass=None, seasonal_deg=0, trend_deg=0, low_pass_deg=0,robust=False, seasonal_jump=1, trend_jump=1, low_pass_jump=1)

2 參數說明

endog	要分解的數據。 必須可擠壓至 1-d。
period	int 或者 None 序列的周期性。 如果 是None，并且 endog 是 pandas Series 或 DataFrame，則嘗試從 endog 確定。 如果 endog 是 ndarray，則必須手動提供。
seasonal	int 季節分量的LOSSES平滑參數。 必須是奇數，并且通常應該 >= 7（默認值）。 【內循環的第二步？】
trend	int 或者 None 趨勢分量的LOSSES平滑參數。 必須是奇數。 如果未提供，則使用大于 1.5 * period / (1 - 1.5 /seasonal) 的最小奇數。
low_pass	int 或者 None 低通濾波器的長度。 必須是 >=3 的奇數。 如果未提供，則使用大于周期的最小奇數。（感覺像內循環第三步的前兩個Np？）
robust	bool 是否使用對某些形式的異常值具有魯棒性的版本。
seasonal_jump	int 確定季節分量LOSSES線性插值步長的正整數。 （內循環第二步）【每多少步進行一次線性插值】
low_pass_jump	int 內循環第三步LOSSES 線性插值步長
trend_jump	int 確定趨勢分量LOSSES線性插值步長的正整數。（內循環第六步）

3 使用舉例

3.1 數據集

月度數據

from statsmodels.datasets import co2data = co2.load(True).data data'''co2 1958-03-29 316.1 1958-04-05 317.3 1958-04-12 317.6 1958-04-19 317.5 1958-04-26 316.4 ... ... 2001-12-01 370.3 2001-12-08 370.8 2001-12-15 371.2 2001-12-22 371.3 2001-12-29 371.5 2284 rows × 1 columns '''data = data.resample('M').mean().ffill() data '''co2 1958-03-31 316.100000 1958-04-30 317.200000 1958-05-31 317.433333 1958-06-30 317.433333 1958-07-31 315.625000 ... ... 2001-08-31 369.425000 2001-09-30 367.880000 2001-10-31 368.050000 2001-11-30 369.375000 2001-12-31 371.020000 526 rows × 1 columns '''

3.2 模型

from statsmodels.tsa.seasonal import STL res = STL(data).fit() #import matplotlib.pyplot as plt plt.rcParams['figure.figsize'] = 20, 15res.plot() plt.show()

STL(data).config ''' {'period': 12,'seasonal': 7,'seasonal_deg': 1,'seasonal_jump': 1,'trend': 23,'trend_deg': 1,'trend_jump': 1,'low_pass': 13,'low_pass_deg': 1,'low_pass_jump': 1,'robust': False} '''STL(data).period #12

3.3 返回結果可以得到的一些信息

observed	已分解的時間序列。
seasonal	時間序列的周期分量 ?
trend	時間序列的趨勢分量
resid	時間序列的殘留分量 ?
weights	用于減少異常值影響的權重。 ?

總結

以上是生活随笔為你收集整理的statsmodels 笔记 STL的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。