adf检验 python,如果时间序列zt经过adf检验

　　读取数据，pd.read_csv默认生成数据帧对象，需将其转换成系列对象数据帧和系列是熊猫中最常见的2种数据结构数据框架可以理解为超过中的一张表，系列可以理解为一张超过表的一行或一列数据。

　　将数组作为公证人导入熊猫作为警察局导入matplotlib.pyplot作为pltimport statsmodels.api作为sm#读取数据，pd.read_csv默认生成数据帧对象，需将其转换成系列对象df=PD。read _ excel( H:\ \ wait _ data \ \ shuidi-PV。xlsx )打印(type(df))# class 熊猫。核心。框架。数据帧 train=df[:365]test=df[366:]print( train ，len(train)，type(train)， test ，len(test)，type(test))# train 365 class pandas。核心。框架。数据框考63级熊猫。核心。框架。数据框打印(df[日期).数据类型)#数据类型指的是具体的数据（例如：23是int64类型)是什么类型# datetime64[ns] (excel中是什么类型，仍旧是什么类型)print(type(df[ date ])# type指的是数据的集合（例如：存放23的列表类型是系列)是什么类型# class 熊猫。核心。系列。系列 df[时间戳]=PD。to _ datetime(df[ date ]，format= % D-% m-% Y )df。index=df[时间戳]df=df。重新取样( D ).mean()train[时间戳]=PD。to _ datetime(train[ date ]，format= % D-% m-% Y )train。index=train[时间戳]train=train。重新取样( D ).mean()test[ timestamp ]=PD。to _ datetime(test[ date ]，format= % D-% m-% Y )测试。index=test[时间戳]test=test。重新取样( D ).意思是()火车PV.plot(figsize=(15，8)，title=shuidi-PV ，fontsize=14)测试PV.plot(figsize=(15，8)，title=shuidi-PV ，fontsize=14)plt.show()输出为：训练和测试数据同表

　　sm。运输安全管理局。季节性分解(train[ PV ]).plot()re=sm。运输安全管理局。统计工具。ad fuller(火车[ PV ])# ADF检验打印（重新)# (-2.7348366597716742(ADF测试结果值)，0.068201554590168(P值), 8, 356, {1%: -3.448853029339765, 5%: -2.869693115704379, 10%: -2.571113512498422}(置信区间自动测向仪值)(1%、%5、)59660.86868686666不同程度拒绝原假设的统计值和自动测向仪测试结果的比较，ADF测试结果同时小于1%、5%、10%即说明非常好地拒绝该假设，本数据中，adf结果为-2.73, 大于1%,5%的水平的统计值。所以是不平稳的，需要进行一阶差分后，再进行检验。

　　p值是否非常接近0,接近0,则是平稳的，否则，不平稳。本数据中，P值结果为0.068, 不接近于0,所以是不平稳的，需要进行一阶差分后，再进行检验。

　　输出为：

　　如果不平稳，则做差分：

　　train _ diff=NPdiff(火车[ PV ])#默认一阶差分，且是列差分。1 # train _ diff=train[ PV ].差异（周期=2)。dropna() #二阶差分print(train_diff ，len(train_diff)，type(train _ diff))re _ diff=sm。运输安全管理局。统计工具。ad fuller(train _ diff)print(re _ diff)# train _ diff 363 class‘熊猫。核心。系列。系列(-5.111613979032971，1.32841936429616 e-05，17，345，{ 1% :-3.4444444441直至平稳。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。