Python数据分析：时间序列数据分析

📊【Python时间序列全攻略】从入门到平稳性检验，一文搞定！

❝

💡金融、经济、气象、物联网……只要涉及“随时间变化的数据”，就绕不开时间序列分析。
今天，我们就用 Python 带你系统掌握时间序列的核心技能！🔥

🕒 1. 日期与时间：一切的起点

在 Python 中，处理时间数据主要靠标准库datetime模块，它提供了几种关键类型：

✅小技巧：

• 用datetime.now()获取当前时间

• 用timedelta(days=3)轻松实现“三天后”或“一周前”

from datetime import datetime, timedelta now = datetime.now() three_days_later = now + timedelta(days=3)

🔁 2. 字符串 ↔ 时间：格式转换是关键！

现实数据常以字符串形式存在（如"2026/02/07"），我们需要转换为datetime才能分析。

✅ 字符串 → datetime

datetime.strptime("2026-02-07", "%Y-%m-%d")

✅ datetime → 字符串

stamp.strftime("%Y年%m月%d日") # 输出：2026年02月07日

📌常用格式代码速查表：

❝

⚡ 在 Pandas 中更简单：直接用pd.to_datetime()一键转换整列！

📈 3. Pandas 时间序列：让数据“活”起来！

Pandas 是时间序列分析的利器！它的Series或DataFrame若以时间作为索引，就是时间序列。

import pandas as pd dates = pd.date_range('2026-01-01', periods=5, freq='D') ts = pd.Series([1, 2, 3, 4, 5], index=dates)

🔍 索引与切片超方便！

ts['2026-01-02'] # 单日查询 ts['2026-01'] # 整月切片 ts['2026'] # 整年数据

❝

✨ 自动对齐：不同时间序列做运算时，Pandas 会自动按日期对齐，不怕错位！

🗓️ 4. 日期范围 & 频率：生成你的专属时间轴！

用pd.date_range()轻松创建固定频率的时间序列：

# 每月最后一天，共12个月 pd.date_range('2026-01-01', periods=12, freq='M') # 每小时一次，从现在开始 pd.date_range(start='2026-02-07 00:00', end='2026-02-08 00:00', freq='H')

🔄 常见频率别名（Frequency Aliases）：

➡️ 5. 时间移位（Shift）：预测与滞后分析必备！

shift(n)可将数据整体向前或向后移动n步，不改变索引：

ts.shift(1) # 滞后一期（昨天的值放到今天） ts.shift(-1) # 超前一期（明天的值放到今天）

💡 若加上freq参数，则同时移动索引：

ts.shift(2, freq='D') # 数据+索引都往后移2天

❝

这在构建“昨日销量 vs 今日销量”等特征时超级实用！

📅 6. 时期（Period）：不只是时间点，更是时间段！

Period表示一个时间区间，比如“2026年2月”、“2026年第1季度”。

p = pd.Period('2026-02', freq='M') # 代表整个2月

• 用pd.period_range()创建时期序列

• 用asfreq()转换频率（如月 → 季）

• 用to_period()将时间戳索引转为时期索引

❝

🌟 适用于财务报表、月度汇总等“区间型”分析场景！

📉📈 7. 重采样（Resample）：降采样 & 升采样

重采样 = 改变时间频率，是时间序列预处理的核心操作！

🔽 降采样（高频 → 低频）

比如：日数据 → 月数据

daily_data.resample('M').mean() # 每月平均值

⚠️ 注意参数：

• closed='right'：区间哪边闭合？

• label='right'：标签打在哪一端？

🔼 升采样（低频 → 高频）

比如：月数据 → 日数据

此时会出现缺失值，需插值填充：

monthly_data.resample('D').ffill() # 向前填充 monthly_data.resample('D').interpolate() # 插值

🧪 8. 平稳性检验：建模前的关键一步！

大多数时间序列模型（如 ARIMA）要求数据平稳——即均值、方差不随时间变化。

三种检验方法：

1️⃣ 时序图检验 👀

• 绘制时间序列图

• 若无明显趋势或周期波动 → 可能平稳

data['Total'].plot(figsize=(12,6))

2️⃣ 自相关图（ACF）检验 📐

• 平稳序列：自相关系数快速衰减至0

• 非平稳序列：缓慢衰减

from statsmodels.graphics.tsaplots import plot_acf plot_acf(data['Total'])

3️⃣ ADF 检验（最严谨！）🧪

• 原假设 H₀：序列非平稳（有单位根）

• 若 p-value < 0.05→ 拒绝 H₀ → 序列平稳！

from statsmodels.tsa.stattools import adfuller result = adfuller(data['Total']) print(f"ADF Statistic: {result[0]:.4f}") print(f"p-value: {result[1]:.4f}")

❝

✅ 实践建议：先看图，再跑 ADF，双保险！

🎯 总结：时间序列分析全景图

graph LR A[原始数据] --> B{是否为时间序列？} B -->|是| C[转换为 datetime 索引] C --> D[重采样/频率转换] D --> E[移位/滞后特征] E --> F[平稳性检验] F -->|平稳| G[建模预测 ARIMA/SARIMA] F -->|非平稳| H[差分/对数变换] H --> F

🔔关注我们，不错过每一篇硬核又易懂的数据科学干货！
💬留言区互动：你在工作中遇到过哪些时间序列难题？欢迎分享！