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：

类型	说明
date	年-月-日（如 2026-02-07）📅
time	时:分:秒（如 17:52:30）⏰
datetime	日期 + 时间（最常用！）🕒
timedelta	两个时间点之间的差值（用于加减计算）⏳
tzinfo	时区信息（高级用法）🌍

✅ 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：

代码	含义	示例
%Y	四位年份	2026
%m	两位月份	02
%d	两位日期	07
%H	24小时制	17
%M	分钟	52
%S	秒	30
%F	等价于 %Y-%m-%d	2026-02-07

❝

⚡ 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）：

别名	含义
'D'	日
'M'	月末
'MS'	月初
'H'	小时
'T' 或 'min'	分钟
'S'	秒

---

➡️ 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！

---