Python时间序列分析完全指南：Pandas时间索引、Statsmodels ARIMA与Prophet预测建模实战

时间序列分析是数据科学中最常见也最具实战价值的领域之一。无论是金融市场的股价预测、电商平台的销量预估，还是运维场景下的流量监控，本质上都是对按时间顺序排列的数据进行建模与预测。Python 生态在时间序列方向已经非常成熟：Pandas 提供了强大的时间索引与重采样能力，Statsmodels 实现了从 ARIMA 到状态空间模型的经典统计方法，而 Facebook 开源的 Prophet 则让带季节性和节假日效应的预测变得门槛极低。本文将从数据准备、平稳性检验、经典统计模型到现代预测框架，带你完整走通一条可落地的时间序列分析流水线。

Python时间序列分析数据可视化

一、用 Pandas 构建时间序列数据基础

Pandas 是时间序列分析的事实标准入口。它原生支持

1	DatetimeIndex

，可以让你像操作普通 DataFrame 一样对时间维度进行切片、重采样和滚动统计。掌握 Pandas 的时间能力是后续建模的前提。

1.1 创建时间索引与重采样

最常见的需求是把一列时间字符串转换为索引，并按目标频率进行重采样。下面这段代码演示了如何生成一份模拟的日销量数据，并按周聚合：


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import pandas as pd

import numpy as np



# 生成模拟日销量数据，带趋势 + 季节性 + 噪声

dates = pd.date_range('2023-01-01', '2024-12-31', freq='D')

t = np.arange(len(dates))

sales = 100 + 0.5 * t + 20 * np.sin(2 * np.pi * t / 365) + np.random.normal(0, 8, len(t))



df = pd.DataFrame({'date': dates, 'sales': sales}).set_index('date')



# 按周重采样，取每周均值

weekly = df.resample('W').mean()



# 按月重采样，取每月总和

monthly = df.resample('M').sum()



print(weekly.head())

print(monthly.tail())

resample

的

freq

参数支持丰富的别名：

日、

周、

月末、

季末、

小时、

分钟。重采样时通过

1	.mean()/.sum()/.ohlc()

等聚合方法决定如何合并数据。

1.2 滚动窗口与指数加权

移动平均是时间序列去噪的经典手段。Pandas 的

rolling

和

ewm

分别提供简单滚动窗口与指数加权窗口：


1
2
3
4
5
6
7
8
9
10
# 7 日简单移动平均

df['ma7'] = df['sales'].rolling(window=7).mean()



# 30 日移动标准差，用于波动率分析

df['vol30'] = df['sales'].rolling(window=30).std()



# 指数加权移动平均，越近的数据权重越高

df['ewma'] = df['sales'].ewm(span=14, adjust=False).mean()



print(df[['sales','ma7','ewma']].tail(10))

rolling：窗口内各点权重相同，适合平稳波动分析。
ewm：近期数据权重更高，对趋势变化更敏感，常用于金融指标的平滑。
expanding：窗口从起点一直扩展到当前点，适合计算累积统计量。

1.3 缺失时间填充与时间差

真实数据往往存在时间点缺失。Pandas 提供了多种填充策略，需要根据业务语义选择：


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 重新生成完整时间索引，缺失值用 NaN 填充

full_idx = pd.date_range(df.index.min(), df.index.max(), freq='D')

df = df.reindex(full_idx)



# 前向填充（用上一个已知值填充）

df['sales_ffill'] = df['sales'].ffill()



# 线性插值

df['sales_interp'] = df['sales'].interpolate(method='linear')



# 时间感知插值（按时间距离加权）

df['sales_time'] = df['sales'].interpolate(method='time')



# 计算相邻时间点差分，用于判断趋势方向

df['diff'] = df['sales'].diff()



# 计算百分比变化，常用于收益率

df['pct_change'] = df['sales'].pct_change()

选择插值方法时应考虑数据特性：金融价格数据通常用前向填充（避免引入未来信息），传感器类连续数据适合线性插值，而带明显季节性的数据则可以考虑季节性插值。

二、时间序列的平稳性检验

经典 ARIMA 模型要求序列是平稳的——即均值、方差和自协方差不随时间变化。在建模前必须进行平稳性检验，最常用的是 ADF（Augmented Dickey-Fuller）检验。

2.1 ADF 检验与差分阶数确定


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from statsmodels.tsa.stattools import adfuller



def adf_test(series, title=''):

    result = adfuller(series.dropna(), autolag='AIC')

    labels = ['ADF统计量', 'p值', '使用滞后阶数', '观测数', '临界值']

    print(f'=== ADF检验: {title} ===')

    for label, value in zip(labels, result[:4]):

        print(f'{label}: {value}')

    for k, v in result[4].items():

        print(f'  临界值 {k}: {v}')

    print('结论:', '平稳' if result[1] &lt; 0.05 else '非平稳')

    return result[1]



adf_test(df['sales_ffill'], '原始序列')



# 一阶差分

adf_test(df['sales_ffill'].diff().dropna(), '一阶差分序列')

ADF 检验的零假设是序列存在单位根（非平稳）。当 p 值小于 0.05 时拒绝零假设，认为序列平稳。如果原始序列非平稳，通常通过差分使其平稳——一阶差分对应

d=1

，二阶差分对应

d=2

，实践中很少超过二阶。

2.2 ACF 与 PACF 判断 AR/MA 阶数

确定差分阶数

后，还需要确定自回归阶数

和移动平均阶数

。自相关图（ACF）和偏自相关图（PACF）是经典的可视化工具：


1
2
3
4
5
6
7
8
9
import matplotlib.pyplot as plt

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf



fig, axes = plt.subplots(2, 1, figsize=(12, 8))

plot_acf(df['sales_ffill'].diff().dropna(), lags=40, ax=axes[0])

plot_pacf(df['sales_ffill'].diff().dropna(), lags=40, ax=axes[1], method='ywm')

plt.tight_layout()

plt.savefig('acf_pacf.png', dpi=100)

plt.show()

判断口诀如下：

图形	截尾特征	对应模型
ACF	缓慢衰减（拖尾）	AR(p)
PACF	p 阶后截尾	AR(p)
ACF	q 阶后截尾	MA(q)
PACF	缓慢衰减（拖尾）	MA(q)
两者均拖尾	缓慢衰减	ARMA(p,q)

三、用 Statsmodels 构建 ARIMA 模型

Statsmodels 是 Python 中最权威的经典统计建模库，其

SARIMAX

类既能拟合 ARIMA，也支持带季节性的 SARIMA 和外生变量。相比

ARIMA

老接口，

SARIMAX

功能更完整，是推荐入口。

3.1 拆分训练集与测试集

时间序列的拆分必须按时间顺序，绝不能随机打乱，否则会引入用未来预测过去的数据泄漏问题：


1
2
3
4
5
6
7
8
series = df['sales_ffill'].asfreq('D').interpolate()



# 后 30 天作为测试集

train = series.iloc[:-30]

test = series.iloc[-30:]



print('训练集:', train.index.min(), '~', train.index.max())

print('测试集:', test.index.min(), '~', test.index.max())

3.2 训练 SARIMA 模型


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from statsmodels.tsa.statespace.sarimax import SARIMAX



# (p,d,q) 非季节项，(P,D,Q,s) 季节项，s=365 数据为日级且年周期

# 为演示效率，这里用周数据建模

weekly_train = train.resample('W').mean()



model = SARIMAX(

    weekly_train,

    order=(2, 1, 2),            # p, d, q

    seasonal_order=(1, 1, 1, 52),  # P, D, Q, s（52 周）

    enforce_stationarity=False,

    enforce_invertibility=False,

)



results = model.fit(disp=False)

print(results.summary())

summary()

输出包含系数估计、标准误、p 值、AIC/BIC 以及残差诊断。重点关注：

各系数 p 值是否显著（小于 0.05）。
Ljung-Box 检验 p 值是否大于 0.05（残差无自相关）。
Jarque-Bera 检验判断残差正态性。

3.3 预测与误差评估


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
from sklearn.metrics import mean_absolute_error, mean_squared_error

import numpy as np



forecast = results.get_forecast(steps=30)

pred_mean = forecast.predicted_mean

pred_ci = forecast.conf_int()



# 评估

mae = mean_absolute_error(test.resample('W').mean(), pred_mean)

rmse = np.sqrt(mean_squared_error(test.resample('W').mean(), pred_mean))

mape = np.mean(np.abs((test.resample('W').mean() - pred_mean) / test.resample('W').mean())) * 100



print(f'MAE:  {mae:.2f}')

print(f'RMSE: {rmse:.2f}')

print(f'MAPE: {mape:.2f}%')

常用的回归类误差指标对比：

指标	含义	优点	缺点
MAE	平均绝对误差	直观、对异常值稳健	不区分过预测与欠预测
RMSE	均方根误差	对大误差敏感	受异常值影响大
MAPE	平均绝对百分比误差	无量纲、便于跨数据集比较	真实值为 0 时失效
SMAPE	对称 MAPE	有上下界	计算略复杂

3.4 自动定阶：pmdarima

手动判断 ACF/PACF 需要经验，

pmdarima

（原 pyramid-arima）封装了基于 AIC 的自动阶数搜索，是 ARIMA 流程的实用补充：


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# pip install pmdarima

import pmdarima as pm



auto_model = pm.auto_arima(

    weekly_train,

    seasonal=True, m=52,

    d=1, D=1,

    start_p=0, max_p=3,

    start_q=0, max_q=3,

    trace=True,

    error_action='ignore',

    stepwise=True,

)



print(auto_model.order, auto_model.seasonal_order)

print(auto_model.aic())

四、用 Prophet 进行带季节性的预测

Statsmodels 的 SARIMA 对强季节性和节假日效应处理起来较为繁琐。Facebook 开源的 Prophet 采用加法回归模型，自动处理趋势变化点、季节性和节假日，对业务人员非常友好，且对缺失值和异常值有较强鲁棒性。

Prophet预测建模工作流

4.1 Prophet 的模型结构

Prophet 把时间序列分解为三个可加成分：


1
y(t) = g(t) + s(t) + h(t) + eps(t)

g(t)：趋势项，支持线性与饱和增长（logistic）两种形式。
s(t)：季节项，用傅里叶级数建模年/周/日周期。
h(t)：节假日效应，由用户提供的节假日表驱动。
eps(t)：残差，假设服从正态分布。

这种显式分解的设计让每类业务效应都可被解释和调整，是 Prophet 相对黑箱模型的最大优势。

4.2 最小可运行示例


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# pip install prophet

import pandas as pd

from prophet import Prophet



# Prophet 要求列名固定为 ds（时间）和 y（目标值）

ts = df['sales_ffill'].asfreq('D').interpolate().reset_index()

ts.columns = ['ds', 'y']



train_df = ts.iloc[:-30]



m = Prophet(

    growth='linear',

    yearly_seasonality=True,

    weekly_seasonality=True,

    daily_seasonality=False,

    changepoint_prior_scale=0.05,  # 趋势灵活度，越大越敏感

    seasonality_prior_scale=10,   # 季节性强度

)

m.fit(train_df)



# 构造未来 30 天的时间表

future = m.make_future_dataframe(periods=30, freq='D')

forecast = m.predict(future)



print(forecast[['ds','yhat','yhat_lower','yhat_upper']].tail(10))

4.3 加入节假日与自定义季节性


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 定义节假日 DataFrame

holidays = pd.DataFrame({

    'holiday': 'spring_festival',

    'ds': pd.to_datetime(['2024-02-10', '2024-02-11', '2024-02-12']),

    'lower_window': -1,  # 节前 1 天也受影响

    'upper_window': 2,   # 节后 2 天也受影响

})



m2 = Prophet(holidays=holidays, yearly_seasonality=True)

m2.add_seasonality(name='monthly', period=30.5, fourier_order=5)

m2.fit(train_df)



# 可视化分解成分

from prophet.plot import plot_components

fig = m2.plot_components(m2.predict(future))

fig.savefig('prophet_components.png')

几个关键调参方向值得牢记：

changepoint_prior_scale：默认 0.05，调大可捕捉更频繁的趋势转折，但易过拟合。
seasonality_prior_scale：默认 10，调大让季节波动更明显。
holidays_prior_scale：控制节假日效应的强度。
fourier_order：自定义季节性的傅里叶阶数越高，曲线越灵活，但同样容易过拟合。

五、模型选择与交叉验证策略

时间序列不能用普通的 k 折交叉验证，因为会破坏时间顺序。推荐使用滚动窗口或扩展窗口交叉验证：


1
2
3
4
5
6
from sklearn.model_selection import TimeSeriesSplit



tscv = TimeSeriesSplit(n_splits=5, test_size=30)



for fold, (tr_idx, te_idx) in enumerate(tscv.split(series), 1):

    print(f'Fold {fold}: 训练 {len(tr_idx)} 天, 测试 {len(te_idx)} 天')

选择模型时应综合考虑以下几点，而不是只看单次 MAPE：

维度	SARIMA / Statsmodels	Prophet
季节性建模	需指定 (P,D,Q,s)	自动傅里叶分解
节假日	需作为外生变量	内置支持
多变量	SARIMAX 支持外生变量	通过 add_regressor 支持
可解释性	统计推断丰富	成分分解直观
训练速度	中等	快（基于 Stan）
对缺失值	需预处理	原生鲁棒

六、生产环境落地建议

把时间序列模型从 Notebook 推到生产，有几个工程化要点值得关注。

6.1 模型持久化与版本管理


1
2
3
4
5
6
7
8
9
10
11
12
13
14
import joblib

from prophet.serialize import model_to_json, model_from_json



# Statsmodels 模型用 joblib 保存

joblib.dump(results, 'sarima_model.pkl')



# Prophet 模型用官方序列化

with open('prophet_model.json', 'w') as f:

    f.write(model_to_json(m2))



# 重新加载

loaded = joblib.load('sarima_model.pkl')

with open('prophet_model.json') as f:

    m_loaded = model_from_json(f.read())

6.2 监控与重训周期

时间序列模型存在概念漂移问题——数据分布随时间变化，旧模型预测质量会逐步下降。建议：

每日计算最新窗口的预测误差，当误差超过阈值时触发告警。
设定固定重训周期（如每周/每月），用最新数据重新拟合模型。
保留多版本模型，便于 A/B 对比与回滚。
对预测区间（置信带）做监控，区间异常变宽通常意味着模型不确定性上升。

6.3 与调度系统集成


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 伪代码：Airflow DAG 示例

from airflow import DAG

from airflow.operators.python import PythonOperator

from datetime import datetime, timedelta



def retrain_model(**ctx):

    # 拉取最新数据

    df = fetch_latest_data()

    # 训练并评估

    model = Prophet().fit(df)

    save_model(model)



default_args = {'owner':'ds','retries':1,'retry_delay':timedelta(minutes=5)}

with DAG('ts_retrain', default_args=default_args,

         schedule='0 2 * * 1', start_date=datetime(2024,1,1)) as dag:

    retrain = PythonOperator(task_id='retrain', python_callable=retrain_model)

总结

本文从数据准备到模型上线，完整梳理了 Python 时间序列分析的核心路径。Pandas 负责时间索引、重采样与窗口统计，是所有后续工作的基石；Statsmodels 的 SARIMAX 提供了严谨的经典统计建模能力，适合需要统计推断的场景；Prophet 则以显式分解和强鲁棒性降低了带季节性与节假日效应的建模门槛。在选型上不必执着于哪个更先进，而应结合数据特征、可解释性需求与工程成本综合判断。最后别忘了把交叉验证、模型持久化和重训周期纳入工程流程——这往往比换一个更复杂的模型更能提升线上效果。