PG_stationarityTest = adfuller(world_data['grow_rate'], autolag='AIC') # Check the value of p-value print("P-value: ", PG_stationarityTest[1],", then no stationarity.") plt.figure(figsize=[12,8]) pacf = plot_pacf(world_data['grow_rate'], lags=25) # Create training and test data train_data = world_data['grow_rate'][:round(len(world_data['grow_rate'])*0.8)] test_data = world_data['grow_rate'][round(len(world_data['grow_rate'])*0.8):] 如果我是这样写的,应该如何修改

时间: 2024-01-18 15:03:18 浏览: 22
根据您提供的代码,您正在对一个名为`world_data`的数据集执行ADF检验和PACF绘图。但是,您没有在代码中显示您想要修改的部分。因此,我假设您希望修改代码以更好地执行这些任务。以下是一些可能的修改建议: 1. 对于ADF检验,您可以使用如下代码: ``` from statsmodels.tsa.stattools import adfuller PG_stationarityTest = adfuller(world_data['grow_rate'], autolag='AIC') print("P-value: ", PG_stationarityTest[1]) if PG_stationarityTest[1] > 0.05: print("The time series is non-stationary.") else: print("The time series is stationary.") ``` 这将打印出P-value和ADF检验的结论,以指示时间序列的平稳性。 2. 对于PACF绘图,您可以使用如下代码: ``` from statsmodels.graphics.tsaplots import plot_pacf import matplotlib.pyplot as plt plt.figure(figsize=[12,8]) plot_pacf(world_data['grow_rate'], lags=25) plt.show() ``` 这会绘制PACF图,其中lags参数指定要显示的滞后数。 3. 对于数据集的划分,您可以使用如下代码: ``` train_data = world_data['grow_rate'].iloc[:int(len(world_data)*0.8)] test_data = world_data['grow_rate'].iloc[int(len(world_data)*0.8):] ``` 这将使用iloc函数将数据集分割为训练集(前80%)和测试集(后20%)。 请注意,这些只是可能的修改建议,具体取决于您的需求和数据集的特征。

相关推荐

import itertools import warnings import pandas as pd import numpy as np import statsmodels.api as sm from datetime import datetime from statsmodels.tsa.arima.model import ARIMA from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.stats.diagnostic import acorr_ljungbox from sklearn.model_selection import train_test_split data = pd.read_csv('data.csv', parse_dates=['x'], index_col='x') train_data1, test_data = train_test_split(data1, test_size=0.3, shuffle=False) data['lag1'] = data['y'].shift(1) data['lag2'] = data['y'].shift(2) data['lag3'] = data['y'].shift(3) data['lag4'] = data['y'].shift(4) data['lag5'] = data['y'].shift(5) data['lag6'] = data['y'].shift(6) data['lag7'] = data['y'].shift(7) data.dropna(inplace=True) train_data, test_data1 = train_test_split(data, test_size=0.3, shuffle=False) g=int(input("输入P的峰值: ")) h=int(input("输入D的峰值: ")) i=int(input("输入Q的峰值: ")) p = range(0, g) d = range(0, h) q = range(0, i) pdq = list(itertools.product(p, d, q)) best_pdq = None best_aic = np.inf for param in pdq: model = sm.tsa.ARIMA(data['y'], exog=data[['lag1', 'lag2', 'lag3', 'lag4', 'lag5', 'lag6', 'lag7']], order=param) results = model.fit() aic = results.aic if aic < best_aic: best_pdq = param best_aic = aic a=best_pdq[0] b=best_pdq[1] c=best_pdq[2] model = ARIMA(data['y'], exog=data[['lag1', 'lag2', 'lag3', 'lag4', 'lag5', 'lag6', 'lag7']], order=(a,b,c)) results = model.fit() max_lag = model.k_ar model_fit = model.fit() resid = model_fit.resid lb_test = acorr_ljungbox(resid) p_value=round(lb_test['lb_pvalue'][max_lag],4) if p_value>0.05: forecast = results.forecast(steps=1, exog=data[['lag1', 'lag2', 'lag3', 'lag4', 'lag5', 'lag6', 'lag7']].iloc[-1:]) # 输出预测值 forecast.index[0].strftime('%Y-%m') print("下个月的预测结果是",round(forecast[0])) else: print('输入的数据不适合使用arima模型进行预测分析,请尝试其他模型'),如何添加检测预测准确率的python代码

sales = list(np.diff(data["#Passengers"])) data2 = { "Month":data1.index[1:], #1月1日是空值,从1月2号开始取 "#Passengers":sales } df = pd.DataFrame(data2) df['Month'] = pd.to_datetime(df['Month']) #df[''date]数据类型为“object”,通过pd.to_datetime将该列数据转换为时间类型,即datetime。 data_diff = df.set_index(['Month'], drop=True) #将日期设置为索引 data_diff.head() print(data_diff) fig = plt.figure(figsize=(12,8)) ax1=fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(data_diff,lags=20,ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(data_diff,lags=20,ax=ax2) plt.show() # 为了控制计算量,我们限制AR最大阶不超过6,MA最大阶不超过4。 sm.tsa.arma_order_select_ic(data_diff,max_ar=100,max_ma=4,ic='aic')['aic_min_order'] # AIC ''' #对模型进行定阶 pmax = int(len(df) / 10) #一般阶数不超过 length /10 qmax = int(len(df) / 10) bic_matrix = [] for p in range(pmax +1): temp= [] for q in range(qmax+1): try: temp.append(ARIMA(data, (p, 1, q)).fit().bic) except: temp.append(None) bic_matrix.append(temp) bic_matrix = pd.DataFrame(bic_matrix) #将其转换成Dataframe 数据结构 p,q = bic_matrix.stack().idxmin() #先使用stack 展平, 然后使用 idxmin 找出最小值的位置 print(u'BIC 最小的p值 和 q 值:%s,%s' %(p,q)) # BIC 最小的p值 和 q 值:0,1 #所以可以建立ARIMA 模型,ARIMA(0,1,1) ''' model = ARIMA(data, (0,1,1)).fit() #model.summary2() predictions_ARIMA_diff = pd.Series(model.fittedvalues, copy=True) print("========") print(predictions_ARIMA_diff.head()) exit() plt.figure(figsize=(10, 6)) plt.plot(predictions_ARIMA_diff,label="forecast_diff") plt.plot(data_diff,label="diff") plt.xlabel('日期',fontsize=12,verticalalignment='top') plt.ylabel('销量差分',fontsize=14,horizontalalignment='center') plt.legend() plt.show()

最新推荐

recommend-type

Matlab的AIC和BIC的计算方法-关于AIC.doc

Matlab的AIC和BIC的计算方法-关于AIC.doc 关于AIC.doc AIC和BIC的计算方法 AIC和BIC的计算方法,留作备用
recommend-type

基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip

基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip个人经导师指导并认可通过的高分毕业设计项目,评审分98分。主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者,也可作为课程设计、期末大作业。 基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统源码+数据集+详细文档(高分毕业设计).zip基于网络的入侵检测系统
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战演练】MATLAB用遗传算法改进粒子群GA-PSO算法

![MATLAB智能算法合集](https://static.fuxi.netease.com/fuxi-official/web/20221101/83f465753fd49c41536a5640367d4340.jpg) # 2.1 遗传算法的原理和实现 遗传算法(GA)是一种受生物进化过程启发的优化算法。它通过模拟自然选择和遗传机制来搜索最优解。 **2.1.1 遗传算法的编码和解码** 编码是将问题空间中的解表示为二进制字符串或其他数据结构的过程。解码是将编码的解转换为问题空间中的实际解的过程。常见的编码方法包括二进制编码、实数编码和树形编码。 **2.1.2 遗传算法的交叉和
recommend-type

openstack的20种接口有哪些

以下是OpenStack的20种API接口: 1. Identity (Keystone) API 2. Compute (Nova) API 3. Networking (Neutron) API 4. Block Storage (Cinder) API 5. Object Storage (Swift) API 6. Image (Glance) API 7. Telemetry (Ceilometer) API 8. Orchestration (Heat) API 9. Database (Trove) API 10. Bare Metal (Ironic) API 11. DNS
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【实战演练】时间序列预测用于个体家庭功率预测_ARIMA, xgboost, RNN

![【实战演练】时间序列预测用于个体家庭功率预测_ARIMA, xgboost, RNN](https://img-blog.csdnimg.cn/img_convert/5587b4ec6abfc40c76db14fbef6280db.jpeg) # 1. 时间序列预测简介** 时间序列预测是一种预测未来值的技术,其基于历史数据中的时间依赖关系。它广泛应用于各种领域,例如经济、金融、能源和医疗保健。时间序列预测模型旨在捕捉数据中的模式和趋势,并使用这些信息来预测未来的值。 # 2. 时间序列预测方法 时间序列预测方法是利用历史数据来预测未来趋势或值的统计技术。在时间序列预测中,有许多不
recommend-type

怎么在集群安装安装hbase

您好,关于如何在集群上安装HBase,步骤大致如下: 1. 在HBase官网上下载最新版本的HBase,并解压到需要安装的目录下; 2. 配置HBase的环境变量:将HBase目录的bin子目录加入到PATH环境变量中; 3. 修改HBase配置文件:在HBase目录下的conf子目录中找到hbase-site.xml文件,并进行相应的配置,如指定HBase的Zookeeper节点等; 4. 启动HBase:使用HBase的bin目录下的start-hbase.sh脚本启动HBase; 5. 验证HBase是否正常运行:使用HBase自带的shell命令行工具操作HBase。 注意:以上步