Python ACF 和 PACF 代码

自相关函数（ACF）和偏自相关函数（PACF）是时序数据分析中的两个重要工具。在Python中，我们可以使用statsmodels模块中的acf（）和pacf（）函数来计算它们。

计算ACF和PACF

首先，我们需要导入所需的模块和数据集。在这个例子中，我们将使用statsmodels自带的Sunspots数据集。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.datasets import sunspots

# 加载数据
data = sunspots.load_pandas().data["SUNACTIVITY"]

接下来，我们将使用plot_acf（）和plot_pacf（）函数绘制ACF和PACF图。

# 绘制ACF及PACF图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 4))

plot_acf(data, ax=ax1, lags=30)
ax1.set_title('Autocorrelation Function')

plot_pacf(data, ax=ax2, lags=30)
ax2.set_title('Partial Autocorrelation Function')

plt.show()

输出的图表应该如下所示：

在这里，我们可以看到第一阶段的自相关和偏自相关系数大约是1.5个标准误差之外的显着值，这表明这些系数不是由随机噪音引起的，具有实际解释，可以用于拟合模型。

结论

在Python中，statsmodels模块提供了计算ACF和PACF的函数。使用这些函数并绘制有关图表，可以帮助我们了解数据中的自相关和偏自相关结构，这对于拟合ARIMA模型或其他时序模型非常有用。