怎么判断时间序列数据的平稳性？给出代码

时间序列数据的平稳性可以通过观察数据的均值和方差是否随时间变化而变化来判断。具体来说，如果时间序列数据的均值和方差在时间上保持不变，则该数据是平稳的。否则，如果均值或方差随时间变化而变化，则该数据是非平稳的。

下面是一个示例代码，用于判断时间序列数据的平稳性：

import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller

# 加载时间序列数据
data = pd.read_csv('time_series_data.csv', index_col=0, parse_dates=True)

# 检查均值和方差是否随时间变化而变化
rolmean = data.rolling(window=12).mean()  # 计算移动平均值
rolstd = data.rolling(window=12).std()  # 计算移动标准差

# 绘制移动平均值和移动标准差的图表
import matplotlib.pyplot as plt
plt.plot(data, color='blue', label='Original')
plt.plot(rolmean, color='red', label='Rolling Mean')
plt.plot(rolstd, color='black', label='Rolling Std')
plt.legend(loc='best')
plt.title('Rolling Mean & Standard Deviation')
plt.show()

# 进行ADF检验来确定平稳性
result = adfuller(data['value'])
print('ADF Statistic:', result[0])
print('p-value:', result[1])
print('Critical Values:', result[4])

在这个示例代码中，我们首先加载了一个时间序列数据，并计算了移动平均值和移动标准差。然后，我们绘制了移动平均值和移动标准差的图表，以便观察数据的均值和方差是否随时间变化而变化。最后，我们使用ADF检验确定时间序列数据的平稳性。如果ADF检验的p值小于0.05，则可以拒绝零假设，即数据是非平稳的。否则，如果p值大于0.05，则不能拒绝零假设，即数据是平稳的。