时间序列分解是一种技术，它将时间序列分解为几个部分，每个部分代表一个潜在的模式类别、趋势、季节性和噪声。在本教程中，我们将向您展示如何使用Python自动分解时间序列。

首先，我们来讨论一下时间序列的组成部分:

1. 季节性:描述时间序列中的周期性信号。
2. 趋势:描述时间序列是随时间递减、不变还是递增。
3. 噪音:描述从时间序列中分离出季节性和趋势后剩下的东西。

换句话说，数据的可变性是模型无法解释的。

对于本例，我们将使用来自Kaggle的航空乘客数据。

import pandas as pd 
import numpy as np 
from statsmodels.tsa.seasonal import seasonal_decompose 

#https://www.kaggle.com/rakannimer/air-passengers 
df=pd.read_csv(‘AirPassengers.csv’) 

df.head()

首先，我们需要将Month列设置为索引，并将其转换为Datetime对象。

df.set_index('Month',inplace=True) 
df.index=pd.to_datetime(df.index) 

#drop null values 
df.dropna(inplace=True) 
df.plot()

分解

我们将使用python的statmodels函数seasonal_decomposition。

result=seasonal_decompose(df['#Passengers'], model='multiplicable', period=12)

在季节性分解中，我们必须设置模型。我们可以将模型设为加的或乘的。选择正确模型的经验法则是，在我们的图中查看趋势和季节性变化是否在一段时间内相对恒定，换句话说，是线性的。如果是，那么我们将选择加性模型。否则，如果趋势和季节性变化随时间增加或减少，那么我们使用乘法模型。

我们这里的数据是按月汇总的。我们要分析的周期是按年的所以我们把周期设为12。

我们可以得到每个组件如下:

result.seasonal.plot()

result.trend.plot()

同样，我们可以一次绘制每个组件

result.plot()

总结

通常，在查看时间序列数据时，很难手动提取趋势或识别季节性。幸运的是，我们可以自动分解时间序列，并帮助我们更清楚地了解组件，因为如果我们从数据中删除季节性，分析趋势会更容易，反之亦然。

作者：Billy Bonaros

deephub翻译组