python判断序列平稳性和纯随机性的代码

在Python中，判断序列的平稳性和纯随机性通常涉及到统计学的概念。这里提供两个常用的方法：

**1. 判断序列的平稳性（Stationarity）：**
平稳时间序列是指其统计特性（如均值、方差、自协方差等）不随时间改变的序列。Python中的`statsmodels`库提供了`tsa.stattools.adfuller`函数来进行ADF（Augmented Dickey-Fuller Test）检验，常用于非线性趋势序列的平稳性测试。

from statsmodels.tsa.stattools import adfuller

def test_stationarity(data):
    result = adfuller(data)
    print('ADF Statistic:', result[0])
    print('p-value:', result[1])
    
    if result[1] > 0.05:  # 对于显著性水平一般设为0.05，若p-value大于临界值，则认为序列是非平稳的
        print("The series is not stationary")
    else:
        print("The series is likely stationary")

# 使用示例
data = your_sequence  # 替换为你要检查的序列
test_stationarity(data)

**2. 判断序列的随机性（Randomness）：**
对于随机性，一种常见的方法是分析序列的周期性、自相关图（ACF）和偏自相关图（PACF）。你可以使用`matplotlib`和`statsmodels`库来创建图形并观察。

import matplotlib.pyplot as plt
import pandas as pd
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

def check_randomness(data, lags=30):
    plot_acf(data, lags=lags)  # 自相关图
    plot_pacf(data, lags=lags)  # 偏自相关图
    plt.show()

# 使用示例
check_randomness(your_sequence)

根据这两个图，如果序列的ACF图衰减得快，并且PACF图在一定滞后之后截尾，那么序列可能接近白噪声，即随机性较强。