temp = np.array(data["close"]) t = adfuller(temp) # ADF检验 output=pd.DataFrame(index=['Test Statistic Value', "p-value", "Lags Used", "Number of Observations Used","Critical Value(1%)","Critical Value(5%)","Critical Value(10%)"],columns=['value']) output['value']['Test Statistic Value'] = t[0] output['value']['p-value'] = t[1] output['value']['Lags Used'] = t[2] output['value']['Number of Observations Used'] = t[3] output['value']['Critical Value(1%)'] = t[4]['1%'] output['value']['Critical Value(5%)'] = t[4]['5%'] output['value']['Critical Value(10%)'] = t[4]['10%'] print(output) print(acorr_ljungbox(data["close"], lags=1)) data1= data["close"].diff(1) plt.figure(figsize=(10, 6)) data1.plot() plt.xlabel('日期',fontsize=12,verticalalignment='top') plt.ylabel('差分',fontsize=14,horizontalalignment='center') plt.show() temp = np.diff(data["close"]) t = adfuller(temp) # ADF检验 output=pd.DataFrame(index=['Test Statistic Value', "p-value", "Lags Used", "Number of Observations Used","Critical Value(1%)","Critical Value(5%)","Critical Value(10%)"],columns=['value']) output['value']['Test Statistic Value'] = t[0] output['value']['p-value'] = t[1] output['value']['Lags Used'] = t[2] output['value']['Number of Observations Used'] = t[3] output['value']['Critical Value(1%)'] = t[4]['1%'] output['value']['Critical Value(5%)'] = t[4]['5%'] output['value']['Critical Value(10%)'] = t[4]['10%'] print(output) exit()

这段代码首先对数据进行ADF检验，判断时间序列数据的平稳性。然后，它计算并输出了ADF检验的结果，包括测试统计值、p值、使用的滞后阶数、使用的观测值数量以及临界值（1%、5%、10%）。

接下来，代码对数据进行了一阶差分，并绘制了差分后的时间序列图。

之后，再次对差分后的数据进行ADF检验，并输出了结果。

最后，代码使用exit()函数退出程序。