1 使用方法
statsmodels.tsa.seasonal.seasonal_decompose(
x,
model='additive',
filt=None,
period=None,
two_sided=True,
extrapolate_trend=0)
使用滑动平均的方法进行时间序列分解
注：这只是一个最为简单的分解方法
通过首先通过对数据应用卷积滤波器估计趋势来获得结果。 然后从序列中删除趋势，每个时期的去趋势序列的平均值是返回的季节性分量。
2 参数说明
| x |
时间序列。 如果是 两维的，则单个Series应该在一列中。 x 必须包含 2 个完整的周期。 |
|
model |
{“additive”, “multiplicative”} 时间序列分解的类型（加和 or 求乘积） 参数名称缩写是允许的 |
| filt |
过滤掉季节性分量的过滤系数。 滤波中使用的具体移动平均法（单边or两侧）由 two_sided确定。 （个人理解是，计算滑动平均时，滑动平均阶数内各点所乘的那个系数） |
| period |
时间序列的周期。 如果 x 不是 pandas 对象或 x 的索引没有频率，则必须使用。 如果 x 是具有时间序列索引的 pandas 对象，则覆盖 x 的默认周期。 |
| two_sided |
滤波中使用的移动平均法。 如果为 True（默认），则使用 filt 计算居中移动平均值。 如果为 False，则滤波器系数filt仅适用于过去的值。 |
|
extrapolate_trend |
如果设置为 > 0，考虑到这么多 (+1) 个最近点，移动平均（卷积）产生的趋势是在两端外推的线性最小二乘法（如果 two_lateral 为 False，则为单侧外推）。 如果设置为“freq”，则使用最近点。 设置此参数会导致趋势或残差组件中没有 NaN 值。 |
返回内容：有季节性，趋势和残差三个属性的对象
3 使用方法
假设我们现在有一个1*744维的ndarray：
import matplotlib.pyplot as plt
plt.figure(figsize=(30,5))
plt.plot(west_tensor[0,:])
现在我们使用seasonal_decompose：
import statsmodels.api as sm
res = sm.tsa.seasonal_decompose(west_tensor[0,:],
period=48,
model="add")
rcParams['figure.figsize'] = 30, 15
fig=res.plot()
fig.savefig('decompose_add.png')
