在公众号「python风控模型」里回复关键字：学习资料
statsmodels.tsa.seasonal.seasonal_decompose使用移动平均线进行季节性分解
=============================================================
所谓分解就是将时序数据分离成不同的成分，分解有：
长期趋势Trend、季节性seasonality和随机残差residuals
statsmodels使用的X-11分解过程，它主要将时序数据分离成长期趋势、季节趋势和随机成分。 与其它统计软件一样，statsmodels也支持两类分解模型，加法模型和乘法模型，model的参数设置为"additive"（加法模型）和"multiplicative"（乘法模型）。
首先看看函数
statsmodels.tsa.seasonal.seasonal_decompose（x，model = 'additive'，filt = None，period = None，two_side = True，extrapolate_trend = 0）
参数：
x：array_like，被分解的数据
model：{“additive”, “multiplicative”}, optional，“additive”（加法模型）和"multiplicative"（乘法模型）
fil：tarray_like, optional，用于滤除季节性成分的滤除系数。滤波中使用的具体移动平均法由two_side确定
period：int, optional，系列的时期。如果x不是pandas对象或x的索引没有频率，则必须使用。如果x是具有时间序列索引的pandas对象，则覆盖x的默认周期性。
two_sided：bool, optional，滤波中使用的移动平均法。如果为True（默认），则使用filt计算居中的移动平均线。如果为False，则滤波器系数仅用于过去的值
extrapolate_trend：int or ‘freq’, optional，如果设置为> 0，则考虑到许多（+1）最接近的点，由卷积产生的趋势将在两端外推线性最小二乘法（如果two_side为False，则为单一个最小二乘）。如果设置为“频率”，请使用频率最近点。设置此参数将导致趋势或残油成分中没有NaN值。
具体例子，数据我暂时找不出来，到时候再补上，再替换，现在主要任务是知道怎么用法，以及返回是什么
# 下面深入分解：长期趋势Trend、季节性seasonality和随机残差residuals。
# 强行补充小知识：平稳性处理之“分解”
# 所谓分解就是将时序数据分离成不同的成分。statsmodels使用的X-11分解过程，它主要将时序数据分离成长期趋势、季节趋势和随机成分。
# 与其它统计软件一样，statsmodels也支持两类分解模型，加法模型和乘法模型，model的参数设置为"additive"（加法模型）和"multiplicative"（乘法模型）。
import statsmodels.api as sm # 导入统计建模模块
# multiplicative
res = sm.tsa.seasonal_decompose(ts.values,freq=12,model="multiplicative")
# 这里用到的.tsa.seasonal_decompose()函数，经尝试：参数ts.values时，横坐标是Time；参数ts时，横坐标是date_block_num。其他不变。
# freg这个参数容后研究，这里暂且猜测是周期12个月。
# plt.figure(figsize=(16,12))
fig = res.plot()
# fig.show() # 此句，可加可不加。
# 得到不同的分解成分，接下来可以使用时间序列模型对各个成分进行拟合。
QQ学习群：1026993837 领资料
seasonal_decompose使用移动平均线进行季节性分解就为大家介绍到这里，欢迎各位学习《呆瓜半小时入门python数据分析》bye！