1969年1月开始在芝加哥海德公园内每28天发生的抢包案件数如表E2_6.xlsx，绘制图判断该序列{x}的平稳性及纯随机性的代码

为了判断数据集E2_6.xlsx中每28天在芝加哥海德公园内的抢包案件数的时间序列{x}的平稳性和纯随机性，我们可以使用Python的统计分析库如`pandas`, `matplotlib`, 和 `statsmodels`。首先，我们需要加载数据、可视化数据，然后进行ADF（Augmented Dickey-Fuller）检验来确定序列是否平稳。

以下是完成这些步骤的Python代码示例：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller

# 1. 加载Excel数据
df = pd.read_excel('E2_6.xlsx', sheet_name='your_sheet')  # 更改sheet_name为你需要的sheet名
data = df['抢包案件数']  # 假设抢包案件数在第一列

# 2. 绘制时间序列图
plt.figure(figsize=(10,5))
plt.plot(data)
plt.title('芝加哥海德公园抢包案件数')
plt.xlabel('日期')
plt.ylabel('案件数')
plt.grid(True)
plt.show()

# 3. ADF平稳性检验
def test_stationarity(timeseries):
    result = adfuller(timeseries)
    print("ADF Statistic: ", result[0])
    print("p-value: ", result[1])

    # 如果p值小于显著性水平（通常0.05），则拒绝原假设，认为序列非平稳
    if result[1] > 0.05:
        print("The time series is likely stationary.")
    else:
        print("The time series might not be stationary.")

test_stationarity(data)

在这个例子中，我们先创建了一个简单的线形图来观察数据趋势。然后通过ADF检验来评估序列是否满足平稳性条件。如果ADF检验结果显示p值大于0.05，则序列被认为是平稳的；反之，若p值小于0.05，则可能存在趋势或其他季节性成分，表明序列非平稳。