python 时间序列分解 stl_【时间序列】时间序列分解总结

### Python 时间序列 STL 分解教程 #### 什么是STL分解？ STL（Seasonal and Trend decomposition using Loess）是一种用于时间序列分析的技术，它通过局部加权回归（LOESS）将时间序列数据分为三个主要部分：趋势分量、季节性分量和残差分量[^3]。 #### 使用Python实现STL分解 在Python中可以利用`statsmodels`库中的`tssa.STL`模块来完成STL分解。以下是详细的代码示例： ```python import numpy as np import pandas as pd from statsmodels.tsa.seasonal import STL import matplotlib.pyplot as plt # 创建模拟的时间序列数据 np.random.seed(42) time_index = pd.date_range('2016-01-01', '2020-12-31', freq='M') data = (5 * np.sin(np.linspace(0, 8 * np.pi, len(time_index))) + np.linspace(0, 10, len(time_index)) + np.random.normal(size=len(time_index))) series = pd.Series(data, index=time_index) # 进行STL分解 stl = STL(series, period=12) # 假设周期为12个月 result = stl.fit() # 绘制分解结果 fig, axes = plt.subplots(4, 1, sharex=True, figsize=(10, 8)) axes[0].set_title("STL Decomposition", fontsize=16) axes[0].plot(series, label="Original Series") axes[0].legend(loc="upper left") axes[1].plot(result.trend, label="Trend Component") axes[1].legend(loc="upper left") axes[2].plot(result.seasonal, label="Seasonal Component") axes[2].legend(loc="upper left") axes[3].plot(result.resid, label="Residuals") axes[3].legend(loc="upper left") plt.tight_layout() plt.show() ``` 上述代码展示了如何创建一个带有趋势和季节性的模拟时间序列，并对其进行STL分解。最终的结果会显示原始系列及其对应的趋势、季节性和残差成分[^5]。 #### 参数说明 - `period`: 表示时间序列的周期长度，在月度数据中通常设置为12表示一年内的循环模式。 - `fit()`: 调用此方法执行实际的分解操作并返回包含各组成部分的对象。 #### 结果解释 通过对时间序列应用STL分解，可以获得更清晰的理解关于数据内部结构的信息： - **趋势(Trend)** 显示长期变化方向； - **季节性(Seasonality)** 描述重复发生的短期波动； - **残差(Residuals)** 则捕捉那些无法被前两者所描述的部分。 ---