时间序列数据的平稳性检验代码

以下是Python中进行时间序列数据平稳性检验的示例代码，使用的是Augmented Dickey-Fuller(ADF)检验：

import pandas as pd
from statsmodels.tsa.stattools import adfuller

# 读取数据并创建时间序列
data = pd.read_csv('data.csv', index_col='date', parse_dates=True)

# ADF检验函数
def adf_test(timeseries):
    # 计算滞后阶数
    lag = int((len(timeseries)-1)**(1/3))
    # 进行ADF检验
    result = adfuller(timeseries, maxlag=lag)
    # 提取检验结果
    adf_statistic = result[0]
    p_value = result[1]
    critical_values = result[4]
    # 输出检验结果
    print(f'ADF Statistic: {adf_statistic:.4f}')
    print(f'p-value: {p_value:.4f}')
    print('Critical Values:')
    for key, value in critical_values.items():
        print(f'   {key}: {value:.4f}')

# 对时间序列数据进行平稳性检验
adf_test(data['value'])

在代码中，首先读取时间序列数据，并创建时间序列。然后定义了一个`adf_test`函数，其中使用了`statsmodels`库中的`adfuller`函数进行ADF检验。在函数中，首先计算滞后阶数，然后对时间序列数据进行ADF检验，并提取检验结果，最后输出检验结果。

最后，对时间序列数据进行平稳性检验时，调用`adf_test`函数即可。