forked from Echo9573/DataAnalysisbyPython
-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathsteadyCheck.py
More file actions
123 lines (89 loc) · 4.01 KB
/
steadyCheck.py
File metadata and controls
123 lines (89 loc) · 4.01 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
# coding: utf-8
# In[1]:
import pandas as pd
inputfile = 'attrsConstruction.xlsx'
#由于ARIMA 模型对时间序列的要求是平稳型，需要进行平稳性检验
data = pd.read_excel(inputfile)
df = data.iloc[:len(data)-5]# 不使用最后5个数
diff = 0
# In[2]:
# 方法一----------------时间序列图法
import matplotlib as mpl
import matplotlib.pyplot as plt
plt.rc('figure',figsize=(9,7))
import datetime
import matplotlib.dates as mdates
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']= False
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.set_title(u"C盘已使用空间的时序图")
# ax.set_xlabel(u'日期')
ax.set(xlabel=u'日期',ylabel=u'磁盘使用大小')
# 图上时间间隔显示为10天
ax.xaxis.set_major_locator(mdates.DayLocator(bymonthday=range(1,32), interval=10))
ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m-%d"))
plt.subplots_adjust(bottom=0.13,top=0.95)
ax.plot(df['COLLECTTIME'],df['CWXT_DB:184:C:\\'],'ro-',)
fig.autofmt_xdate() #自动根据标签长度进行旋转
'''for label in ax.xaxis.get_ticklabels(): #此语句完成功能同上
label.set_rotation(45)
'''
# plt.savefig('d.jpg')
plt.show()
# data
# 由图可知，该序列值不平稳（若平稳，会围绕某值上下晃动）
# In[3]:
# 方法二----------------：单位根检验（ADF）
# # 方法：采用单位根检验（ADF）的方法或者时序图的方法（见数据探索模块）
# from statsmodels.tsa.stattools import adfuller as ADF
# 判断D盘数据的平稳性，以及确定几次差分后平稳
# x = ADF(df['CWXT_DB:184:C:\\'])
# print x
# 方法三----------------游程检验
from statsmodels.sandbox.stats.runs import runstest_1samp as RSS
x = RSS(df['CWXT_DB:184:C:\\'])
print x
# 方法四----------------自相关系数法
# from statsmodels.tsa.stattools import acf as ACF
# x = ACF(df['CWXT_DB:184:C:\\'])
# print x
while x[1] >= 0.05 : # adf[1]是p值，p值小于0.05认为是平稳的
print x[1]
diff = diff + 1
# x = ADF(df['CWXT_DB:184:C:\\'].diff(diff).dropna())#注意，差分后使用ADF检验时，必须去掉空值
x = RSS(df['CWXT_DB:184:C:\\'].diff(diff).dropna())#注意，差分后使用RSS检验时，必须去掉空值
# x = ACF(df['CWXT_DB:184:C:\\'].diff(diff).dropna())#注意，差分后使用ACF(自相关系数）检验时，必须去掉空值
print (u'原始序列经过%s阶差分后归于平稳，p值为%s') % (diff, x[1])
# df['CWXT_DB:184:C:\\_x'] = df['CWXT_DB:184:C:\\'].diff(1)
# In[4]:
# 方法五-------通过自相关和偏相关图判定平稳性，并确定所用模型(******)
# 如果自相关是拖尾，偏相关截尾，则用 AR 算法
# 如果自相关截尾，偏相关拖尾，则用 MA 算法
# 如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。
# 通过自相关图可以发现，该图自相关和偏相关都是拖尾，因此，确定是ARMA算法，或者ARIMA算法
# 查看是否序列平稳 自相关图法/时间序列的散点图
from scipy import stats
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.graphics.api import qqplot
dta = df['CWXT_DB:184:C:\\']
# 原数据的的自相关图与偏自相关图
fig = plt.figure(figsize=(12,12))
ax1=fig.add_subplot(411)# 自相关图
fig = sm.graphics.tsa.plot_acf(dta,lags=40,ax=ax1)
ax1.set_title(u'原始数据的自相关图')
ax2 = fig.add_subplot(412)# 篇自相关图
fig = sm.graphics.tsa.plot_pacf(dta,lags=40,ax=ax2)
ax2.set_title(u'原始数据的偏相关图')
# 一阶差分后的自相关图与偏自相关图
dta= dta.diff(1).dropna() # 注意一定要将查分后的空值去掉再取自相关系数
ax3=fig.add_subplot(413)# 自相关图
fig = sm.graphics.tsa.plot_acf(dta,lags=40,ax=ax3)
ax3.set_title(u'一阶差分后的自相关图')
ax4 = fig.add_subplot(414)# 篇自相关图
fig = sm.graphics.tsa.plot_pacf(dta,lags=40,ax=ax4)
ax4.set_title(u'一阶差分后的偏相关图')
plt.savefig('acf_pacf.jpg')
plt.show()
# In[ ]: