Seasonal-ARIMA模型
Autore gressive Integrated Moving Averages
建立ARIMA 模型的一般过程如下：
- 1: 模块导入，加载数据，并可视化时间序列数据
- 2：平稳性检验
- 3：序列平稳化
- 4：白噪声检验
- 5: 时间序列定阶
- 6：构建ARIMA模型及预测
1: 模块导入，加载数据，并可视化时间序列数据
1.1: 模块导入，加载数据
#from model.arimaModel import * # 导入自定义的方法 import pandas as pd import matplotlib.pyplot as plt import pmdarima as pm from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 画图定阶 from statsmodels.tsa.stattools import adfuller # ADF检验 from statsmodels.stats.diagnostic import acorr_ljungbox # 白噪声检验 import warnings warnings.filterwarnings("ignore") # 选择过滤警告 讯享网
讯享网df_taiyuan = pd.read_excel('月.xls',sheet_name ='太原',dtype={
'年份':str, '月份': str}) df_shanxi = pd.read_excel('月.xls',sheet_name ='杭州',dtype={
'年份':str, '月份': str}) df_taiyuan.info() df_taiyuan["年份"] = df_taiyuan["年份"].str.strip() df_taiyuan["月份"] = df_taiyuan["月份"].str.strip() df_shanxi["年份"] = df_shanxi["年份"].str.strip() df_shanxi["月份"] = df_shanxi["月份"].str.strip() df_taiyuan["Date"] = df_taiyuan["年份"]+'-'+df_taiyuan["月份"] df_shanxi["Date"] = df_shanxi["年份"]+'-'+df_shanxi["月份"]
<class 'pandas.core.frame.DataFrame'> RangeIndex: 240 entries, 0 to 239 Data columns (total 4 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 年份 240 non-null object 1 月份 240 non-null object 2 市 240 non-null object 3 降水量/mm 240 non-null float64 dtypes: float64(1), object(3) memory usage: 7.6+ KB 讯享网df_taiyuan
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/130061.html