《人工智能通识与应用》课件-项目6：时间序列分析

任务6.1时间周期及计算Python数据分析学习目标及重难点学习目标：学会创建时期对象，并进行频率转换素养目标：了解并使用时期对象学习重点：创建及使用时期对象目录学习内容1.创建时期对象2.时期的频率转换01创建时期对象1.创建时期对象Pandas中，Period类表示一个标准的时间段或时期，比如某年、某月、某日、某小时等。创建Period对象只需要在Period类的构造方法中以字符串或整数的形式传入一个日期即可。2023-01-01至2023-12-31之间的时间段2023-11-01至2023-11-30之间的整月时间1.创建时期对象Period对象能够参与数学运算。如果Period对象加上或者减去一个整数，则会根据具体的时间单位进行位移操作。1.创建时期对象如果具有相同频率的两个Period对象进行数学运算，那么计算结果为它们的单位数量。1.创建时期对象如果希望创建多个Period对象，且它们是固定出现的，则可以通过period_range()函数实现。1.创建时期对象除了使用上述方式创建PeriodIndex外，还可以直接在PeriodIndex的构造方法中传入一组日期字符串。02时期的频率转换2.时期的频率转换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

）freq--表示计时单位。how--可以取值为start或end，默认为end。normalize--表示是否将时间索引重置为午夜。fill_value--用于填充缺失值的值。2.时期的频率转换示例：如何将年度时期转换为年初或年末的月度时期任务6.2重采样Python数据分析学习目标及重难点学习目标：掌握重采样，可以实现降采样和升采样素养目标：了解并使用重采样学习重点：掌握重采样，实现降采样和升采样目录学习内容1.重采样方法2.降采样3.升采样01重采样方法1.重采样方法Pandas中的resample()是一个对常规时间序列数据重新采样和频率转换的便捷的方法。resample(rule,

how=None,

axis=0,

fill_method=None,

closed=None,

label=None,

...)rule--表示重采样频率的字符串或DateOffset。fill_method--表示升采样时如何插值。closed--设置降采样哪一端是闭合的。1.重采样方法示例：创建一个时间序列类型的Series对象，然后进行重采样从输出结果可以看出，生成的Series对象的时间戳为每周一，数据为每周求得的平均值，相当于Pandas中的分组操作。1.重采样方法如果重采样时传入closed参数为left，则表示采样的范围是左闭右开型的。也就是说位于某范围的时间序列中，开头的时间戳包含在内，结尾的时间戳是不包含在内的。02降采样2.降采样降采样时间颗粒会变大，比如原来是按天统计的数据，现在要按周统计，数据量是减少的。为了避免有些时间戳对应的数据闲置，可以利用内置方法聚合数据。示例：金融股票数据比较常见的是OHLC重采样，包括开盘价（open）、最高价（high）、最低价（low）和收盘价（close）。可以通过降采样的方法统计每周的股票价格。2.降采样03升采样3.升采样升采样的时间颗粒是变小的，数据量会增多，这很有可能导致某些时间戳没有相应的数据。3.升采样重新按照天进行采样，使用resample和asfreq两个方法，没有指定数据的部分都被填充为NaN。通常的解决办法是插值：ffill(limit)或bfill(limit)，取空值前面或后面的值填充，limit可限制填充的个数fillna(‘ffill’)或fillna(‘bfill’)进行填充，传入ffill表示用NaN前面的值填充，传入bfill表示用后面的值填充使用interpolate()方法根据插值算法补全数据任务6.3事件模型—ARIMAPython数据分析学习目标及重难点学习目标：了解ARIMA模型素养目标：了解并使用ARIMA模型学习重点：使用ARIMA模型目录学习内容1.AR模型2.I模型3.MA模型01AR模型1.AR模型ARIMA的全称叫做差分整合移动平均自回归模型，又称作整合移动平均自回归模型，是一种用于时间序列预测的常见统计模型。ARIMA模型主要由AR、I与MA模型三个部分组成。ARIMA(p,d,q)AR(p)模型I模型MA(q)模型1.AR模型ARIMA(p,d,q)模型可以表示为：p--代表预测模型中采用的时序数据本身的滞后数，即自回归项数。d--代表时序数据需要进行几阶差分化，才是稳定的，即差分的阶数。q--代表预测模型中采用的预测误差的滞后数，即滑动平均项数。1.AR模型ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列，这个模型一旦被识别后，就可以从时间序列的过去值及现在值来预测未来值。ARIMA模型建立的基本步骤如下：第1步获取被观测的时间序列数据。第2步根据时间序列数据进行绘图，观测是否为平稳时间序列。从平稳的时间序列中求得自相关系数ACF和偏自相关系数PACF，得到最佳的阶层p和阶数q。第3步根据上述计算的d、q、p得到ARIMA模型，然后对模型进行检验。第4步1.AR模型AR模型为自回归模型，表示当前时间点的值等于过去若干个时间点的值的回归——因为不依赖于别的解释变量，只依赖于自己过去的历史值，故称为自回归。如果依赖过于最近的p个历史值，称阶数为p，记为AR(p)模型。整个公式可以用文字叙述为：X的当期值等于一个或数个落后期的线性组合，加上常数项，加上随机误差。02I模型2.I模型I模型表示的含义是模型对时间序列进行了查分。时间序列分析要求具有平稳性，对于不平稳的序列需要通过一定手段转化为平稳序列，一般采用的手段就是差分。d表示差分的阶数，t时刻的值减去t