已有一份csv数据，先进行数据清洗，然后绘制时序图，adf检验，（平稳性检测），若p<0.05,则构建预测模型，并对未来12个月进行预测，通过置信区间绘制预测图，若p>0.05，则通过一阶差分回到adf检测循环。针对以上描述给我一个可以在pycharm直接运行的完整的代码

为了在PyCharm中完成这个任务，你需要按照以下步骤编写Python代码，主要包括Pandas、NumPy、Statsmodels库用于数据处理、时间序列分析以及Matplotlib库用于绘图：

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

# 读取CSV数据
df = pd.read_csv('your_data.csv')

# 数据清洗 (假设`date_column`是时间列，`value_column`是要分析的数值列)
df['date_column'] = pd.to_datetime(df['date_column'])
df.set_index('date_column', inplace=True)  # 将日期设为索引
df.dropna(inplace=True)  # 删除缺失值

# 绘制原始时序图
plt.figure(figsize=(12,6))
plt.plot(df['value_column'])
plt.title('原始数据')
plt.xlabel('Date')
plt.ylabel('Value')
plt.show()

# ADF检验（平稳性检测）
def adf_test(series):
    result = adfuller(series)
    print(f"ADF Statistic: {result[0]}")
    print("p-value:", result[1])

# 对value_column进行ADF测试
adf_test(df['value_column'])

# 如果p < 0.05，认为数据非平稳，进行一阶差分
if result[1] > 0.05:
    diff_df = df.diff().dropna()
    print("Data is not stationary, applying first difference.")
else:
    diff_df = df  # 数据已经平稳，不需要差分

# 再次检查新序列的平稳性
adf_test(diff_df['value_column'])

# 构建预测模型（这里以ARIMA为例，实际需要根据数据特征选择模型）
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(diff_df['value_column'], order=(1, 1, 0))  # 假设是一阶自回归移动平均模型
model_fit = model.fit(disp=0)

# 预测未来12个月
forecast = model_fit.forecast(steps=12)[0]

# 置信区间
conf_int = model_fit.conf_int(start=len(df), end=len(df) + 11)

# 绘制预测图
plt.figure(figsize=(12,6))
plt.plot(diff_df.index, diff_df['value_column'], label='Original')
plt.plot(pd.date_range(start=df.index[-1], periods=12), forecast, 'r', label='Prediction')
plt.fill_between(conf_int.index,
                 conf_int.iloc[:, 0],
                 conf_int.iloc[:, 1],
                 color='k', alpha=.25)
plt.legend()
plt.title('Forecast with Confidence Interval')
plt.show()

请注意，这只是一个基本示例，实际操作中可能需要对数据集进行更详细的预处理，如异常值处理、季节性分解等。另外，根据数据特性选择合适的ARIMA或者其他时间序列模型更为重要。