1、Pandas

Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，相当于这是Python官方自己的一套库

statsmodel是基于Pandas开发的一套库，用于一些描述统计、统计模型估计、推断、预测

2、自回归模型（AutoRegression model，AR）

自回归，从物理的角度来理解就是：当前记录与其历史记录的差值。eg，自回归认为历史的发展是一条斜率一定的直线。

3、滑动平均模型（moving average model, MA）

移动平均，从物理的角度来理解就是：当前记录是历史记录的均值。eg，移动平均模型认为历史的发展是一条水平的线。

4、高级时间序列模型ARMA

ARMA就是把AR和MA结合在一起的一种算法，当AR和MA混合在一起，可以认为是一个y=ax+b的过程，自回归提供了a这个系数，移动平均提供了b这个截距。

5、高级时间序列模型ARIMA【autoregression intergrated moving average差分自回归移动平均】

ARIMA中，I指代的差分，其实是 前后时间上数值的差异，ARIMA就是使用差分的数据来进行ARMA建模

6、ARMA测试

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport statsmodels.api as smfrom statsmodels.graphics.tsaplots import acf, pacf, plot_acf, plot_pacffrom statsmodels.tsa.arima_model import ARMAfrom statsmodels.tsa.stattools import arma_order_select_icif __name__ == "__main__": time_series = pd.Series( [151.0, 188.46, 199.38, 219.75, 241.55, 262.58, 328.22, 396.26, 442.04, 517.77, 626.52, 717.08, 824.38, 913.38, 1088.39, 1325.83, 1700.92, 2109.38, 2499.77, 2856.47, 3114.02, 3229.29, 3545.39, 3880.53, 4212.82, 4757.45, 5633.24, 6590.19, 7617.47, 9333.4, 11328.92, 12961.1, 15967.61]) # print('BIC求解的模型阶次为', arma_order_select_ic(time_series, max_ar=10, max_ma=6, ic='bic')['bic_min_order']) print('time_series:', len(time_series)) my_arma = ARMA(time_series, (1, 0)) # 这里的(1, 0)从arma_order_select_ic函数返回,但是这里返回6,7运行失败 model = my_arma.fit() result = model.forecast(10)[0] print('result:', result)

以上就是python statsmodel的使用的详细内容，更多关于python statsmodel的资料请关注其它相关文章！