这个例子没有用到ewm() 函数

是的，这个例子没有直接使用`ewm()`函数。而是通过计算加权移动平均公式来得到加权移动平均值。这是因为在`ewm()`函数中，它的计算方式和加权移动平均公式是等价的，只是采用了更加简洁的方式来实现。以下是使用`ewm()`函数实现带有季节性因素的EWMA方法的代码示例：

import pandas as pd
import numpy as np

# 加载历史数据
data = pd.read_csv('sales_data.csv', index_col=0)

# 计算加权移动平均值
alpha = 0.5 # 指数平滑系数
ma = data.ewm(alpha=alpha, adjust=False).mean()

# 计算季节性因素
seasonal_factors = np.zeros(12) # 假设存在12个月份
for i in range(12):
    seasonal_factors[i] = np.mean(data.values[data.index.month == i+1]) / ma.values[i]

# 计算预测值
last_date = data.index[-1]
next_date = last_date + pd.DateOffset(months=1)
next_season = seasonal_factors[next_date.month-1]
forecast = ma.values[-1] * next_season

print("预测值为:",forecast)

以上代码示例中，我们首先加载了历史数据，并使用`ewm()`函数计算了加权移动平均值。然后，我们根据历史数据计算了每个月的季节性因素，并将其用于预测下一个月的销售额。最后，我们输出了预测结果。注意，在使用`ewm()`函数时，我们需要设置`alpha`参数来指定指数平滑系数。