2.5(加内容)实例：时间序列

时间序列的频率、偏移量
27
通过一张表来列举时 间序列的基础频率。
时间序列的频率、偏移量
28
每个基础频率还可以跟着一个被称为日期偏 移量的DateOffset对象。如果想要创建一个 DateOffset对象，则需要先导入pd.tseries. offsets模块后才行。
from pandas.tseries.offsets import * DateOffset(months=4, days=5)
创建时期对象
39
DatetimeIndex是用来指代一系列时间点 的一种索引结构，而PeriodIndex则是用 来指代一系列时间段的索引结构。
时期的频率转换
40
Pandas中提供了一个asfreq()方法来转换时 期的频率。
asfreq（freq，method = None，how = None，normalize = False，fill_value = None ）
通过时间戳索引选取子集
17
除了使用索引的方式以外，还可以通过 truncate()方法截取 Series或DataFrame对象。
truncate(before = None,after = None, axis = None,copy = True)
➢ before -- 表示截断此索引值之前的所有行。 ➢ after -- 表示截断此索引值之后的所有行。 ➢ axis -- 表示截断的轴，默认为行索引方向
2018-08-20 11 2018-08-28 22 2018-09-08 33
创建时间序列
11
还可以将包含多个datetime对象的列表传给 index参数，同样能创建具有时间戳索引的 Series对象。

时间序列的实际例子
1. 想想看咱们每天的生活呀，从早上起床到晚上睡觉，这就是一个时间序列呀！就好比你每天早上固定时间起来，然后刷牙洗脸吃早餐，接着去上班或者上学，这一系列的动作不就是按照时间顺序来的嘛。

2. 四季的更替也是超明显的时间序列例子呢！春天万物复苏，夏天骄阳似火，秋天果实累累，冬天白雪皑皑，年复一年都是这样有规律地循环着呀，难道不是超级神奇的嘛！
3. 你的成长过程那也是时间序列哦！从呱呱坠地的小婴儿，到蹒跚学步的幼儿，再到蹦蹦跳跳的少年，逐渐成长为成熟的大人，这一路走来，都是时间在起着作用呀，你说这多有意思！
4. 一场体育比赛不也是吗！从比赛开始的哨声响起，运动员们奋力拼搏，到中场休息，再到最后的冲刺和决出胜负，这不就是在时间轴上展开的嘛，多让人热血沸腾啊！
5. 城市的发展也是典型的时间序列呀！从过去的小村落，慢慢变成繁华的大都市，建筑越来越高，街道越来越热闹，这都是时间带来的变化呀，难道你不惊叹吗！
6. 植物的生长过程呀，从种子发芽，到长出叶子，再到开花结果，这都是在时间的流淌中一步步完成的呀，这就像是一场神奇的魔法表演呢！
7. 再看看一部电影的播放，从开头的字幕出现，到情节逐渐展开，再到高潮和结局，不也是顺着时间进行的嘛，多吸引我们沉浸其中啊！
我觉得时间序列真的是无处不在呀，它让我们的世界变得更加有序和精彩呢！。

(3)判断该序列的纯随机性.(用文字说明理由)
2、1969年1月至1973年9月在芝加哥海德公园内每28天发生的抢包案件数见数据2.6.
(1)判断该序列{xt}的平稳性和纯随机性。
（2）对该序列进行一阶差分运算yt=xt-xt-1
并判断序列｛yt｝的平稳性和纯Leabharlann 机性．问题一时序图图一
问题一的自相关图
差分方程的自相关性
结果分析：问题一：2000---2003年期间每月的销售量
图一的时序图提供的信息非常明确，销售量的是成周期变化的。所以是平稳序列
图二中自相关图的横轴表示自相关系数，纵轴表示延迟时期数，用水平方向的垂线表示自相关系数的大小。自相关系数有时为正，有时为负，逐渐趋于零。具有单调趋势的非平稳序列的一种典型的自相关图形式。
问题二：
时序图显示序列数据明显集中在均值附近，所以没有平稳；
样本自相关图显示该序列的自相关系数有时为正，有时为负。没有平稳性和随机性。
差分方程：由差分方程的时序图可以明显看到围绕在一个常数上下波动的。而且有周期的波动。所以是平稳序列
自相关性可以看到P值小于0.0005的有十个。所以
附：实验程序
注：可以任意添加页数。
所以是平稳序列图二中自相关图的横轴表示自相关系数纵轴表示延迟时期数用水平方向的垂线表示自相关系数的大小
时间序列的预处理
实验目的：
时间序列的平稳性与随机性检验。
实验操作步骤：1、某公司在2000---2003年期间每月的销售量见数据2.5
(1)绘制该序列的时序图及样本自相关图.
(2)判断该序列的平稳性.(用文字说明理由)
图二
问题二的时序图
图三
问题二的自相关性
（1）yt=xt-xt-1的结果：

• 推荐软件——SAS
– 在SAS系统中有一个专门进行计量经济与时间序列分析 的模块：SAS/ETS。SAS/ETS编程语言简洁，输出功能强 大，分析结果精确，是进行时间序列分析与预测的理 想的软件
– 由于SAS系统具有全球一流的数据仓库功能，因此在进 行海量数据的时间序列分析时它具有其它统计软件无 可比拟的优势
例2.3自相关图
时间序列分析讲义
例2.4时序图
时间序列分析讲义
例2.4 自相关图
时间序列分析讲义
例2.5时序图
时间序列分析讲义
例2.5自相关图
时间序列分析讲义
• 例2.3时序为非平稳的，有趋势； • 例2.4时序非平稳性，有趋势 • 例2.5时序是一个平稳的
时间序列分析讲义
非平稳性序列的平稳化
时间序列分析讲义
2020/11/16
时间序列分析讲义
第一章 时间序列分析基本概 念
时间序列分析讲义
第一章 时间序列分析基本概念
1.1 时间序列的定义
• 随机序列:按时间顺序排列的一组随机变量
• 观察值序列:随机序列的 个有序观察值，称之为 序列长度为 的观察值序列
• 随机序列和观察值序列的关系
– 观察值序列是随机序列的一个实现 – 我们研究的目的是想揭示随机时序的性质 – 实现的手段都是通过观察值序列的性质进行推断
满足下列条件的随机序列称为白噪声序列，也称 为纯随机序列：
注1：白噪声序列也是平稳时间序列中的特例. 注2：由于白噪声序列不同时刻的值相互独立，那么 这样的序列数值不能对于将来进行推断与预测，所以 白噪声是不能建立模型的。 时序图1.3符合白噪声序列特征
时间序列分析讲义
若满足时间序列满足: 称该时间序列是周期为T的时间序列.