Python中的季节性趋势Loess方法用于时间序列

Question

有没有基于Python的程序可以使用STL（季节性-趋势-Loess）方法分解时间序列？

我看到了一个包装程序调用R中的stl函数的参考资料，但从环境设置角度来看，我发现这种方法不稳定且繁琐（需要同时安装Python和R）。此外，该链接已经过时了4年。

有人能指出一些更近期的方法吗？例如sklearn、spicy等。

- Toly

Answer 1

我没有尝试过STLDecompose，但我看了一眼它，我相信它使用了通用的loess平滑器。这很难做到正确，并且往往效率低下。请参阅已废弃的STL-Java repo。 pyloess包提供了一个Python包装器，用于与原始R版本使用相同的基础Fortran交互。你绝对不需要通过桥接到R来获得相同的功能！该软件包目前没有得到积极维护，我有时在某些平台上遇到构建问题（因此在此处进行fork）。但是，一旦构建完成，它确实可以工作，并且是您可能找到的最快的软件包。我曾经想过修改它以包括一些新功能，但是无法使自己修改Fortran（这是预处理的RATFOR-类似汇编语言的Fortran），我找不到任何RATFOR预处理器。

我编写了一个本地Java实现，stl-decomp-4j，可以使用pyjnius包从Python中调用。这开始是对原始Fortran的直接移植，重构为更现代的编程风格。然后，我扩展了它以允许二次loess插值，并支持季节性分量的后分解平滑，这些功能在原始论文中被描述，但没有放入Fortran / R实现中。 （它们显然在S-plus实现中，但我们很少有机会使用它。）使其高效的关键在于，当点等距时，loess平滑简化，并且通过修改用于插值的权重来执行逐点平滑。 stl-decomp-4j示例包括一个Jupyter笔记本演示如何从Python调用此软件包。我可能应该将其正式化为Python软件包，但没有时间。非常愿意接受pull请求。 ;-)

我希望看到这种方法直接移植到Python / numpy。我“如果有一些空闲时间”列表上的另一件事。

- sfjac

---

谢谢！我了解到的一件事是，STLDecompose（Python）相对简单。例如，它不喜欢不连续的数据集（缺失数据点）。这是STL方法的一般特征还是只是一个不太全面的技术解决方案？ - Toly

@Toly - 标准的STL实现假定数据间隔规则且没有缺失数据点。Hafen的R语言stlplus包可以处理缺失数据，前提是有足够的时间段可用。我想扩展stl-decomp-4j以实现此功能，但目前还没有时间。我相信这种方法只是依赖于一个事实，即最初可以将数据点分配为0的权重，但我还没有详细了解过。 - sfjac

Answer 2

在这里，您可以找到使用LOESS（STL）进行季节性-趋势分解的示例，它来自于statsmodels。

基本上，它的工作原理如下：

from statsmodels.tsa.seasonal import STL
stl = STL(TimeSeries, seasonal=13)
res = stl.fit()
fig = res.plot()

- vpz

---

这是最新的，也可能是最好的答案。 - gsamaras

Answer 3

确实有这样一个东西:

https://github.com/jrmontag/STLDecompose

在该仓库中，您将找到一个Jupyter笔记本，用于使用该软件包。

- Alex G

Answer 4

RSTL是R的STL的Python版本：https://github.com/ericist/rstl。它的性能相当不错，但根据作者的说法，它比R的STL慢3~5倍。

如果你只想得到lowess趋势线，你可以使用Statsmodels的lowess函数https://www.statsmodels.org/dev/generated/statsmodels.nonparametric.smoothers_lowess.lowess.html。

- Tai Huang