解释代码：ax1 = fig.add_subplot(211) fig = plot_acf(df["confirmNum"], lags=40,ax = ax1)

这段代码是用来绘制自相关函数（Autocorrelation Function，简称ACF）图像的。其中，ax1 = fig.add_subplot(211) 表示将整个画布分为两行一列，当前图像在第一行第一列（即上半部分）。接着，fig = plot_acf(df["confirmNum"], lags=40,ax = ax1) 表示绘制 df["confirmNum"] 的ACF图像，lags=40 是指考虑40个滞后时期的相关性，ax = ax1 则表示将ACF图像画在上半部分。

相关问题

excelFile = 'brownian.csv' #读取数据，指定日期列为指标，Pandas自动将“日期”列识别为Datetime格式 data = pd.read_csv(excelFile) fig = plt.figure(figsize=(12,8)) ax1=fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(data["close"],lags=49,title='',ax=ax1) plt.tick_params(labelsize=17) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(data["close"],lags=49,title='',ax=ax2) plt.tick_params(labelsize=17) plt.show() exit()

这段代码是用来读取名为'brownian.csv'的Excel文件中的数据，并使用Pandas库将日期列识别为Datetime格式。然后，它使用StatsModels库中的函数来绘制自相关性（ACF）和偏自相关性（PACF）图。最后，通过Matplotlib库将图形显示出来。最后一行的exit()函数是用来退出程序的。

sales = list(np.diff(data["#Passengers"])) data2 = { "Month":data1.index[1:], #1月1日是空值，从1月2号开始取 "#Passengers":sales } df = pd.DataFrame(data2) df['Month'] = pd.to_datetime(df['Month']) #df[''date]数据类型为“object”，通过pd.to_datetime将该列数据转换为时间类型，即datetime。 data_diff = df.set_index(['Month'], drop=True) #将日期设置为索引 data_diff.head() print(data_diff) fig = plt.figure(figsize=(12,8)) ax1=fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(data_diff,lags=20,ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(data_diff,lags=20,ax=ax2) plt.show() # 为了控制计算量，我们限制AR最大阶不超过6，MA最大阶不超过4。 sm.tsa.arma_order_select_ic(data_diff,max_ar=100,max_ma=4,ic='aic')['aic_min_order'] # AIC ''' #对模型进行定阶 pmax = int(len(df) / 10) #一般阶数不超过 length /10 qmax = int(len(df) / 10) bic_matrix = [] for p in range(pmax +1): temp= [] for q in range(qmax+1): try: temp.append(ARIMA(data, (p, 1, q)).fit().bic) except: temp.append(None) bic_matrix.append(temp) bic_matrix = pd.DataFrame(bic_matrix) #将其转换成Dataframe 数据结构 p,q = bic_matrix.stack().idxmin() #先使用stack 展平， 然后使用 idxmin 找出最小值的位置 print(u'BIC 最小的p值 和 q 值：%s,%s' %(p,q)) # BIC 最小的p值 和 q 值：0,1 #所以可以建立ARIMA 模型，ARIMA(0,1,1) ''' model = ARIMA(data, (0,1,1)).fit() #model.summary2() predictions_ARIMA_diff = pd.Series(model.fittedvalues, copy=True) print("========") print(predictions_ARIMA_diff.head()) exit() plt.figure(figsize=(10, 6)) plt.plot(predictions_ARIMA_diff,label="forecast_diff") plt.plot(data_diff,label="diff") plt.xlabel('日期',fontsize=12,verticalalignment='top') plt.ylabel('销量差分',fontsize=14,horizontalalignment='center') plt.legend() plt.show()

这段代码首先计算了原始数据的一阶差分，并将差分后的销量数据存储在一个名为"sales"的列表中。然后，根据差分后的销量数据创建了一个新的DataFrame，并将日期列转换为Datetime格式。接下来，将日期列设置为索引，并打印出数据的前几行。

然后，代码绘制了差分后销量数据的自相关性（ACF）和偏自相关性（PACF）图。图形显示了滞后项与自相关系数/偏自相关系数之间的关系。

接下来，代码使用ARMA模型的AIC准则进行了模型定阶。限制了AR最大阶不超过6，MA最大阶不超过4。

然后，代码建立了ARIMA(0,1,1)模型，并使用该模型对差分后的数据进行了拟合。拟合后得到的值存储在predictions_ARIMA_diff中，并打印出前几行。

最后，代码绘制了拟合值和差分后数据的图形，并使用exit()函数退出程序。