python - 如何将 statsmodels.tsa.seasonal.seasonal_decompose 与 Pandas 数据框一起使用-6ren

python - 如何将 statsmodels.tsa.seasonal.seasonal_decompose 与 Pandas 数据框一起使用

转载作者：行者123 更新时间：2023-12-04 03:52:06

from statsmodels.tsa.seasonal import seasonal_decompose
      def seasonal_decomp(df, model="additive"):
        seasonal_df = None
        seasonal_df = seasonal_decompose(df, model='additive')
        return seasonal_df
    
 seasonal_decomp(df)

错误

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-93-00543113a58a> in <module>
----> 1 seasonal_decompose(df, model='additive')

e:\Anaconda3\lib\site-packages\pandas\util\_decorators.py in wrapper(*args, **kwargs)
    197                 else:
    198                     kwargs[new_arg_name] = new_arg_value
--> 199             return func(*args, **kwargs)
    200 
    201         return cast(F, wrapper)

e:\Anaconda3\lib\site-packages\statsmodels\tsa\seasonal.py in seasonal_decompose(x, model, filt, period, two_sided, extrapolate_trend)
    185     for s, name in zip((seasonal, trend, resid, x),
    186                        ('seasonal', 'trend', 'resid', None)):
--> 187         results.append(pw.wrap(s.squeeze(), columns=name))
    188     return DecomposeResult(seasonal=results[0], trend=results[1],
    189                            resid=results[2], observed=results[3])

e:\Anaconda3\lib\site-packages\statsmodels\tools\validation\validation.py in wrap(self, obj, columns, append, trim_start, trim_end)
    216                     new.append(append if c is None else str(c) + '_' + append)
    217                 columns = new
--> 218             return pd.DataFrame(obj, columns=columns, index=index)
    219         else:
    220             raise ValueError('Can only wrap 1 or 2-d array_like')

e:\Anaconda3\lib\site-packages\pandas\core\frame.py in __init__(self, data, index, columns, dtype, copy)
    495                 mgr = init_dict({data.name: data}, index, columns, dtype=dtype)
    496             else:
--> 497                 mgr = init_ndarray(data, index, columns, dtype=dtype, copy=copy)
    498 
    499         # For data is list-like, or Iterable (will consume into list)

e:\Anaconda3\lib\site-packages\pandas\core\internals\construction.py in init_ndarray(values, index, columns, dtype, copy)
    201 
    202     # _prep_ndarray ensures that values.ndim == 2 at this point
--> 203     index, columns = _get_axes(
    204         values.shape[0], values.shape[1], index=index, columns=columns
    205     )

e:\Anaconda3\lib\site-packages\pandas\core\internals\construction.py in _get_axes(N, K, index, columns)
    460         columns = ibase.default_index(K)
    461     else:
--> 462         columns = ensure_index(columns)
    463     return index, columns
    464 

e:\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in ensure_index(index_like, copy)
   5612             index_like = copy_func(index_like)
   5613 
-> 5614     return Index(index_like)
   5615 
   5616 

e:\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in __new__(cls, data, dtype, copy, name, tupleize_cols, **kwargs)
    409 
    410         elif data is None or is_scalar(data):
--> 411             raise cls._scalar_data_error(data)
    412         elif hasattr(data, "__array__"):
    413             return Index(np.asarray(data), dtype=dtype, copy=copy, name=name, **kwargs)

TypeError: Index(...) must be called with a collection of some kind, 'seasonal' was passed

测试数据

df = pd.DataFrame.from_dict(data, orient='index')

data = {pd.Timestamp('2020-01-23 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-24 00:00:00'): {'LA': 1.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-25 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-26 00:00:00'): {'LA': 3.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-27 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-28 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-29 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-30 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 1.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-01-31 00:00:00'): {'LA': 2.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 2.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-01 00:00:00'): {'LA': 1.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-02 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 1.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-03 00:00:00'): {'LA': 3.0,
  'NY': 0.0,
  'Miami': 1.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-04 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-05 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-06 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-07 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-08 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-09 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-10 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-11 00:00:00'): {'LA': 1.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-12 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-13 00:00:00'): {'LA': 1.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-14 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-15 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-16 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-17 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-18 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-19 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-20 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-21 00:00:00'): {'LA': 2.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-22 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-23 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-24 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-25 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-26 00:00:00'): {'LA': 0.0,
  'NY': 1.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-27 00:00:00'): {'LA': 1.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-28 00:00:00'): {'LA': 0.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-02-29 00:00:00'): {'LA': 8.0,
  'NY': 1.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-01 00:00:00'): {'LA': 6.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-02 00:00:00'): {'LA': 23.0,
  'NY': 0.0,
  'Miami': 2.0,
  'Seattle': 1.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-03 00:00:00'): {'LA': 20.0,
  'NY': 0.0,
  'Miami': 0.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-04 00:00:00'): {'LA': 31.0,
  'NY': 2.0,
  'Miami': 23.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-05 00:00:00'): {'LA': 70.0,
  'NY': 0.0,
  'Miami': 2.0,
  'Seattle': 1.0,
  'San Diego': 1.0},
 pd.Timestamp('2020-03-06 00:00:00'): {'LA': 48.0,
  'NY': 9.0,
  'Miami': 1.0,
  'Seattle': 9.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-07 00:00:00'): {'LA': 115.0,
  'NY': 0.0,
  'Miami': 3.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-08 00:00:00'): {'LA': 114.0,
  'NY': 7.0,
  'Miami': 5.0,
  'Seattle': 4.0,
  'San Diego': 2.0},
 pd.Timestamp('2020-03-09 00:00:00'): {'LA': 68.0,
  'NY': 5.0,
  'Miami': 4.0,
  'Seattle': 0.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-10 00:00:00'): {'LA': 192.0,
  'NY': 6.0,
  'Miami': 13.0,
  'Seattle': 3.0,
  'San Diego': 4.0},
 pd.Timestamp('2020-03-11 00:00:00'): {'LA': 398.0,
  'NY': 7.0,
  'Miami': 6.0,
  'Seattle': 0.0,
  'San Diego': 6.0},
 pd.Timestamp('2020-03-12 00:00:00'): {'LA': 452.0,
  'NY': 14.0,
  'Miami': 11.0,
  'Seattle': 8.0,
  'San Diego': 4.0},
 pd.Timestamp('2020-03-13 00:00:00'): {'LA': 596.0,
  'NY': 99.0,
  'Miami': 9.0,
  'Seattle': 17.0,
  'San Diego': 7.0},
 pd.Timestamp('2020-03-14 00:00:00'): {'LA': 713.0,
  'NY': 0.0,
  'Miami': 20.0,
  'Seattle': 14.0,
  'San Diego': 14.0},
 pd.Timestamp('2020-03-15 00:00:00'): {'LA': 98.0,
  'NY': 11.0,
  'Miami': 11.0,
  'Seattle': 4.0,
  'San Diego': 13.0},
 pd.Timestamp('2020-03-16 00:00:00'): {'LA': 1392.0,
  'NY': 38.0,
  'Miami': 6.0,
  'Seattle': 27.0,
  'San Diego': 11.0},
 pd.Timestamp('2020-03-17 00:00:00'): {'LA': 1781.0,
  'NY': 121.0,
  'Miami': 23.0,
  'Seattle': 24.0,
  'San Diego': 0.0},
 pd.Timestamp('2020-03-18 00:00:00'): {'LA': 2776.0,
  'NY': 51.0,
  'Miami': 14.0,
  'Seattle': 33.0,
  'San Diego': 54.0},
 pd.Timestamp('2020-03-19 00:00:00'): {'LA': 5240.0,
  'NY': 249.0,
  'Miami': 38.0,
  'Seattle': 52.0,
  'San Diego': 34.0},
 pd.Timestamp('2020-03-20 00:00:00'): {'LA': 5322.0,
  'NY': 172.0,
  'Miami': 50.0,
  'Seattle': 54.0,
  'San Diego': 52.0},
 pd.Timestamp('2020-03-21 00:00:00'): {'LA': 6346.0,
  'NY': 228.0,
  'Miami': 86.0,
  'Seattle': 53.0,
  'San Diego': 38.0},
 pd.Timestamp('2020-03-22 00:00:00'): {'LA': 7936.0,
  'NY': 525.0,
  'Miami': 66.0,
  'Seattle': 61.0,
  'San Diego': 34.0}}

最佳答案

问题就在这里， seasonal_decompose(df, model='additive') ，整个数据帧都被传递给 seasonal_decompose ，但你只能传递一列和一个日期时间索引。

函数已更新为使用列表推导式计算每列的 .trend，然后将数据与 pandas.concat 组合成单个数据帧。

from statsmodels.tsa.seasonal import seasonal_decompose
import pandas as pd

# dataframe from sample; in this case the index is already a datetime
df = pd.DataFrame.from_dict(data, orient='index')

# if the index is not a datetime format
df.index = pd.to_datetime(df.index)

# perform seasonal decompose in a list comprehension on each column, return dataframe
def season_decom(df, model='additive'):    
    return pd.concat([pd.DataFrame({col: seasonal_decompose(df[col], model=model).trend}) for col in df.columns], axis=1)


# call function
df_seasonal = season_decom(df)

# df_seasonal.head()
                  LA   NY     Miami   Seattle  San Diego
2020-01-23       NaN  NaN       NaN       NaN        NaN
2020-01-24       NaN  NaN       NaN       NaN        NaN
2020-01-25       NaN  NaN       NaN       NaN        NaN
2020-01-26  0.571429  0.0  0.000000  0.000000        0.0
2020-01-27  0.571429  0.0  0.142857  0.000000        0.0
2020-01-28  0.714286  0.0  0.142857  0.285714        0.0
2020-01-29  0.857143  0.0  0.142857  0.285714        0.0
2020-01-30  0.428571  0.0  0.285714  0.285714        0.0
2020-01-31  0.857143  0.0  0.428571  0.285714        0.0
2020-02-01  0.857143  0.0  0.428571  0.285714        0.0

简化版

使用 seasonal_decompose

将 .apply 应用到每一列

df_seasonal = df.apply(lambda x: seasonal_decompose(x, model='additive').trend)

关于python - 如何将 statsmodels.tsa.seasonal.seasonal_decompose 与 Pandas 数据框一起使用，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/64295560/

文章推荐： laravel - 基于 OAuth token 范围返回模型属性

文章推荐： c - 使用C _Generic 时是不是不能使用括号？

python - Python 中的集群或合并集群以减少组数 (Python)
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库，但没有成功。我猜它只是通过 knn 聚类
python - python 列表的子集基于同一列表的元素组，pythonically
我有一个扁平数字列表，这些数字逻辑上以 3 为一组，其中每个三元组是 (number, __ignored, flag[0 or 1])，例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
python - 激活 Python 虚拟环境并在另一个 Python 脚本中调用 Python 脚本
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
python - 在焕然一新的 Python 环境中以编程方式从 Python 内部执行 Python 文件
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
python - 从 python 脚本但在 python 脚本之外运行 python 脚本
这听起来像是谜语或笑话，但实际上我还没有找到这个问题的答案。问题到底是什么？我想运行 2 个脚本。在第一个脚本中，我调用另一个脚本，但我希望它们继续并行，而不是在两个单独的线程中。主要是我不希望第
python - 使用不同的 python 从 python 运行 python 脚本
我有一个带有 python 2.5.5 的软件。我想发送一个命令，该命令将在 python 2.7.5 中启动一个脚本，然后继续执行该脚本。我试过用 #!python2.7.5 和http://re
python - 为什么从 Python 命令行调用 Python 时 Python 无法找到并运行我的脚本？
我在 python 命令行(使用 python 2.7)中，并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹，使用: os.chdir("
python - 使用动态版本的 Python 执行嵌入的 Python 代码时出现致命的 Python 错误
剧透:部分解决(见最后)。以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
python - python 中识别 python 数组或列表中最大累积差异的最快方法是什么？
假设我有以下列表，对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
python - (Python) 通过单选按钮 python 更新背景
所以我试图在选择某个单选按钮时更改此框架的背景。我的框架位于一个类中，并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
python - python 中的字符串与正则表达式比较在 python 中失败
我正在尝试将字符串与 python 中的正则表达式进行比较，如下所示， #!/usr/bin/env python3 import re str1 = "Expecting property name
python - python 如何加载Boost.Python 库？
考虑以下原型(prototype) Boost.Python 模块，该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
python - python 检查模块 python 的问题
如何编写一个程序来“识别函数调用的行号？” python 检查模块提供了定位行号的选项，但是， def di(): return inspect.currentframe().f_back.f_l
python - 系统 python 与用户 python
我已经使用 macports 安装了 Python 2.7，并且由于我的 $PATH 变量，这就是我输入 $ python 时得到的变量。然而，virtualenv 默认使用 Python 2.6，除
python - [Python] : Python re. 长字符串行的搜索速度优化
我只想问如何加快 python 上的 re.search 速度。我有一个很长的字符串行，长度为 176861(即带有一些符号的字母数字字符)，我使用此函数测试了该行以进行研究: def getExe
python - 编辑字符串 python 正则表达式 python
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
python - Python 映射中的副作用(Python "do" block )
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。告
python - 使用其值逻辑组合两个 python 列表 - Python
我想用 Python 将两个列表组合成一个列表，方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
python - Boost.Python python 链接错误
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
python - 在 Python 中仅使用内置库制作一个基本的网络抓取工具 - Python
学习 Python，我正在尝试制作一个没有任何第 3 方库的网络抓取工具，这样过程对我来说并没有简化，而且我知道我在做什么。我浏览了一些在线资源，但所有这些都让我对某些事情感到困惑。 html 看起来

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - 如何将 statsmodels.tsa.seasonal.seasonal_decompose 与 Pandas 数据框一起使用