检验时间序列的平稳性代码

下面是Python中检验时间序列平稳性的代码示例，使用的是ADF检验：

from statsmodels.tsa.stattools import adfuller

def test_stationarity(timeseries):
    
    # 计算移动平均和移动方差
    rolling_mean = timeseries.rolling(window=12).mean()
    rolling_std = timeseries.rolling(window=12).std()
    
    # 绘制移动平均和移动方差
    orig = plt.plot(timeseries, color='blue', label='Original')
    mean = plt.plot(rolling_mean, color='red', label='Rolling Mean')
    std = plt.plot(rolling_std, color='black', label='Rolling Std')
    plt.legend(loc='best')
    plt.title('Rolling Mean & Standard Deviation')
    plt.show(block=False)
    
    # 进行ADF检验
    print('Results of Augmented Dickey-Fuller Test:')
    adf_test = adfuller(timeseries, autolag='AIC')
    adf_output = pd.Series(adf_test[0:4], index=['Test Statistic','p-value','#Lags Used','Number of Observations Used'])
    for key,value in adf_test[4].items():
        adf_output['Critical Value (%s)'%key] = value
    print(adf_output)

该代码接受一个时间序列作为输入，然后计算其移动平均和移动方差，并绘制出来。接着，使用ADF检验来判断该时间序列是否平稳，输出检验结果。如果p-value小于0.05，那么可以拒绝原假设（该时间序列不平稳），认为该时间序列是平稳的。