时间序列预测代码pandas, NumPy

时间序列预测在Python中通常使用Pandas和NumPy库。Pandas提供数据结构DataFrame和Series，非常适合处理包含时间戳的数据，并能方便地进行数据清洗、切片、分组等操作。NumPy则是一个强大的数学库，特别是对于数值计算和数组操作。

以下是一个简单的例子，展示如何使用Pandas和NumPy进行基本的时间序列预测：

import pandas as pd
import numpy as np

# 假设我们有时间序列数据
data = pd.read_csv('time_series_data.csv')  # 加载数据

# 将日期转换为Pandas datetime类型并设置为索引
data['date'] = pd.to_datetime(data['date'])
data.set_index('date', inplace=True)

# 使用rolling窗口进行移动平均
window_size = 12  # 可视化月度趋势
moving_avg = data['value'].rolling(window=window_size).mean()

# 利用NumPy进行线性回归模型的基础假设
from statsmodels.tsa.stattools import adfuller
adf_test = adfuller(data['value'])  # 单一变量检验平稳性

# 如果数据需要对齐和平稳化，可以使用Pandas的shift()函数或Seasonal Decomposition of Time Series (STL)
decomposition = seasonal_decompose(data['value'], model='additive')

# 对于更复杂的预测，如ARIMA、LSTM等，可以使用statsmodels库的ARIMA或Prophet库
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(data['value'], order=(5,1,0))  # 创建ARIMA模型实例

# 训练模型并进行预测
forecast = model.fit().forecast(steps=horizon)  # 'horizon'是你想要预测的步数