import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.stattools import adfuller as ADF
from statsmodels.graphics.tsaplots import plot_pacf
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.tsa.arima_model import ARMA
discfile = 'D:/pycharm/ARIMA/arima_data.xlsx'
forecastunum=5
#读取数据,指定日期作为指标,pandas自动将日期识别为Datatime格式
data=pd.read_excel(discfile,index_col='日期')
# print(data)
#时序图
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
data.plot()
plt.show()
#自相关图
plot_acf(data,lags=36)
plt.show()
#平稳性检验
print("原始数据的ADF检验结果为",ADF(data[u'销量']))
# 返回值依次为adf、p-value、usedlag、nobs、critical values、icbest、regresults、resstore
#差分
# 一阶差分
D_data = data.diff().dropna()
D_data.columns = [u'销量差分']
# 时序图
D_data.plot()
plt.show()
# 自相关图
plot_acf(D_data,lags=35)
plt.show()
# 偏自相关图
plot_pacf(D_data,lags=17)
plt.show()
# 平稳性检测
print(u'差分序列的ADF检验结果为:', ADF(D_data[u'销量差分']))
# 白噪声检验
print(u'差分序列的白噪声检验结果为:\n', acorr_ljungbox(D_data, lags=1)) # 返回统计量和p值
# 定阶
data[u'销量'] = data[u'销量'].astype(float)
pmax = int(len(D_data) / 10) # 一般阶数不超过length/10
qmax = int(len(D_data) / 10) # 一般阶数不超过length/10
bic_matrix = [] # BIC矩阵
for p in range(pmax + 1):
tmp = []
for q in range(qmax + 1):
try: # 存在部分报错,所以用try来跳过报错。
tmp.append(ARIMA(data, (p,1,q)).fit().bic)
except:
tmp.append(None)
bic_matrix.append(tmp)
bic_matrix = pd.DataFrame(bic_matrix) # 从中可以找出最小值
print(bic_matrix)
p, q = bic_matrix.stack().idxmin() # 先用stack展平,然后用idxmin找出最小值位置。
print(u'BIC最小的p值和q值为:%s、%s' % (p, q))
model = ARIMA(data, (p, 1, q)).fit() # 建立ARIMA(0, 1, 1)模型
print('模型报告为:\n', model.summary2())
print('预测未来5天,其预测结果、标准误差、置信区间如下:\n', model.forecast(5))
![img](https://img-mid.csdnimg.cn/release/static/image/mid/ask/314461969636115.png?x-oss-process=image/auto-orient,1/resize,w_320,m_lfit)