我放了一份样例数据在data文件夹下，
看一下数据大小和结构
画图看一下序列的走势:（一些画图等探索类的方法放在了test_stationarity.py 文件中，包含时间序列图，移动平均图，有兴趣的可以自己尝试下）。
看这糟心的图，那些骤降为0的点这就是我遇到的第一个坑，我当初一拿到这份数据就开始做了。后来折腾了好久才发现，那些骤降为0的点是由于数据缺失，ETL的同学自动补零造成的，沟通晚了(TДT)。
把坑填上，用前后值的均值把缺失值补上，再看一眼：
发现这份数据有这样几个特点，在模型设计和数据预处理的时候要考虑到：
前六天的数据做训练，第七天做测试集。
消除数据的毛刺，可以用移动平均法，我这里没有采用，因为我试过发现对于我的数据来说，移动平均处理完后并不能使数据平滑，我这里采用的方法很简单，但效果还不错：把每个点与上一点的变化值作为一个新的序列，对这里边的异常值，也就是变化比较离谱的值剃掉，用前后数据的均值填充，注意可能会连续出现变化较大的点：
平滑后的训练数据：
采用statsmodels工具包：
对分解出来的趋势部分单独用arima模型做训练：
预测出趋势数据后，加上周期数据即作为最终的预测结果，但更重要的是，我们要得到的不是具体的值，而是一个合理区间，当真实数据超过了这个区间，则触发报警，误差高低区间的设定来自刚刚分解出来的残差residual数据：
预测并完成最后的加法处理，得到第七天的预测值即高低置信区间：
对第七天作出预测，评估的指标为均方根误差rmse，画图对比和真实值的差距：
可以看到，均方根误差462.8，相对于原始数据几千的量级，还是可以的。测试数据中的两个突变的点，也超过了置信区间，能准确报出来。
前文提到不同的api形态差异巨大，本文只展示了一个，我在该项目中还接触了其他形态的序列，有的有明显的上升或下降趋势；有的开始比较平缓，后面开始增长... ... ,但是都属于典型的周期性时间序列，它的核心思想很简单：做好分解，做好预测结果的还原，和置信区间的设置，具体操作可根据具体业务逻辑做调整，祝大家建模愉快:-D。
您好，你的问题，我之前好像也遇到过，以下是我原来的解决思路和方法，希望能帮助到你，若有错误，还望见谅！展开全部SPSS和Python，单纯地说哪个好，是没有意义的，还要看你用来干什么?
我来帮你区分一下这些术语。
1、分析工具：Excel、SPSS、Tableau属于分析工具类
2、分析语言：Python、R属于分析脚本语言。
分析工具类，如果细分还可以分为统计工具和挖掘工具。
1)统计工具： 比如像Excel/Tableau/PowerBI都属于统计工具，此类工具的很简单，是基于统计(比如分类汇总)的分析工具，通过统计指标，查看业务的规律、变化、趋势等等，来作出对业务的判断并给出合适的业务策略。
所以，此类工具侧重于业务的描述性分析(业务规律、业务变化、业务周期)，常用有的分析方法有：对比分析、分布分析、结构分析、趋势分析等等。
2)挖掘工具： 像SPSS/SAS类就属于挖掘工具。此类挖掘工具侧重探索隐藏得比较深的业务知识和模式，挖掘工具侧重于业务的影响因素分析、预测性分析等等，讲究分析模型(比常规的分析方法要复杂)，在分析模型中不见得有统计指标，而是模式。
常用的分析模型：影响因素分析(相关/方差/列联分析)、数据预测模型(回归预测/时序预测)、分类预测模型(决策树、神经网络、支持向量机等)，当然还其它更多的模型，比如聚类、关联等等。
理论上，使用高级的数据挖掘工具也是可以进行常规的数据统计分析的，即Excel能够实现的，理论上SPSS也可以实现。但坦白地说，用挖掘工具来做统计工具分析，其效率反而没有统计工具高。
不过，当前绝大多数公司，都是在用Excel/SQL来做数据分析，可见他们并没有什么复杂的业务问题需要用到更高级的分析工具，简单的工具已经足以胜任平时的业务数据分析了。
最后再来说分析语言Python/R。非常感谢您的耐心观看，如有帮助请采纳，祝生活愉快！谢谢！
