时间序列预测Python代码包详解：从环境搭建到模型复现

简介这套Python时间序列预测代码包面向数据分析与机器学习初学者及需要快速落地预测项目的开发者围绕金融、气象、销售等场景系统演示了从数据加载、预处理、建模到评估的完整流程。压缩包共214个文件其中包含181个Python脚本、32个CSV数据集和1个说明文档脚本覆盖ARIMA、SARIMA、状态空间模型、机器学习方法及Prophet库等主流预测算法CSV文件提供气温、太阳黑子、出生人数等经典实验数据便于读者边学边练。资源体积仅237KB轻量易用目前已有7257人学习。读者通过研读代码可掌握Pandas时间序列处理、差分与平滑技巧、模型评估指标如RMSE、MAE以及可视化分析方法并能直接修改脚本迁移至自己的业务数据实现从理论到实践的高效过渡。1. 这个 zip 里装的不是“答案”而是一套时间序列预测的脚手架拿到一份名为《Code for Introduction to Time Series Forecasting with Python.zip》的资源很多人的第一反应是解压、跑通、看曲线然后期待一个“预测准确率 95%”的奇迹。这个预期基本会落空。这类配套代码包的定位不是给你一个调好的黑匣子而是用一段段可运行的 Python 代码把时间序列预测从“加载数据、画图、调库、看误差”的完整流程摊开给你看。它适合两类人一类是刚入门 Python、想找一份能跟着敲的预测项目练手另一类是已经会用 sklearn 做回归、但对“时间序列为什么不能随机打乱训练集”缺乏体感的工程师。这篇笔记会沿着这个代码包最常见的组织方式把环境搭建、数据加载、模型复现、踩坑排查一条线讲透最后给你一套能迁移到自己数据上的验证框架。看完你至少能回答一个问题这份代码里哪些是能直接复用的哪些只是教学演示以及你自己跑数据时该在哪个环节多花工夫。2. 先把代码跑起来从解压到最小可运行环境拿到 zip 的第一步不是读代码而是让代码能跑。时间序列预测的 Python 生态里pandas、numpy、matplotlib 这三件套是底线加上 statsmodels 或 scikit-learn再往后才是 Prophet、torch 这类重家伙。很多新手倒在这第一步解压出来的脚本一运行就报 ModuleNotFoundError然后开始怀疑人生。其实问题往往出在环境不一致而不是代码本身。2.1 先把 zip 解开三种环境下别用错解压姿势zip 解压本身不难但有几个容易被忽略的细节。如果你在 Windows 上直接右键“全部解压缩”遇到中文文件名乱码的概率不低因为很多公开代码包里的文件名是用 UTF-8 编码的而 Windows 自带解压工具默认按 GBK 去解。这时候用 7-Zip 或命令行解压反而更稳# Windows PowerShell 或 CMD 下 tar -xf Code_for_Introduction_to_Time_Series_Forecasting_with_Python.zip -C D:\projects # Linux / macOS 下 unzip Code_for_Introduction_to_Time_Series_Forecasting_with_Python.zip -d ~/projects/tar -xf是 Windows 10 1803 之后系统自带的 BSD tar能正确处理 zip 包内的 UTF-8 文件名这是我在 Windows 上遇到乱码后的第一选择。Linux/macOS 下直接用 unzip加上-d指定解压目标目录避免把文件散落在当前目录里。解压完成后先看一眼目录结构。常见做法是里面有一个 README.md、一个 requirements.txt、按章节组织的.py或.ipynb文件以及一个 data 目录放 CSV 数据。你不需要急着读代码但一定要确认 data 目录没有被解压成两层嵌套——我遇到过好几次 zip 包内还有一个同名文件夹导致脚本里的相对路径./data/train.csv死活找不到文件。注意如果解压后出现__MACOSX文件夹那是 macOS 压缩时留下的元数据直接删除即可不影响代码。2.2 用 venv 而不是 conda最小可运行环境的取舍时间序列项目最常见的依赖冲突来自 statsmodels 和 numpy 的版本不匹配。statsmodels 0.14 需要 numpy1.22但如果你之前装过老版本的 numpyimport 时会直接报numpy.dtype size changed或者干脆 Segfault。我一般建议用 Python 自带的 venv 做隔离干净且不需要额外装 Anaconda 那套庞然大物。cd ~/projects/Code_for_Introduction_to_Time_Series_Forecasting_with_Python python -m venv .venv # Windows .venv\Scripts\activate # Linux / macOS source .venv/bin/activate pip install --upgrade pip pip install -r requirements.txt.venv是 Python 3.3 之后内置的虚拟环境方案python -m venv .venv会在当前目录创建虚拟环境。激活后终端提示符前面会出现(.venv)这时候pip install的包都会装进这个环境不会污染全局 Python。Windows 和类 Unix 系统的激活脚本路径不同前者在Scripts下后者在bin下这个区别值得记住。requirements.txt 通常是教学代码包的核心依赖列表。如果这个文件不存在最小安装一组我在时间序列项目里几乎必用的库pip install numpy pandas matplotlib statsmodels scikit-learn openpyxlopenpyxl是 pandas 读取 Excel 文件的必要引擎很多教科书数据集是 xlsx 格式少装它会让你在pd.read_excel()的时候突然卡住。statsmodels 是 ARIMA 类模型的唯一选择scikit-learn 则负责提供评估指标和交叉验证工具。2.3 跑通第一个脚本确认数据和代码路径没断环境装好后先从最简单的一个脚本跑起。这类代码包通常有一个01_load_data.py或者01_explore_data.ipynb之类的文件功能是加载数据并做基本展示。用命令行跑python 01_load_data.py如果你看到类似下面的输出说明数据和代码的路径是通的Dataset shape: (365, 2) Date range: 2019-01-01 to 2019-12-31 Columns: [date, value]如果报FileNotFoundError八成是脚本里的相对路径基于 notebook 的工作目录而你在命令行直接跑时路径对不上。常见做法是改用绝对路径或者把脚本挪到和 data 目录同一层级# 在脚本开头把工作目录切到脚本所在位置 import os import sys os.chdir(os.path.dirname(os.path.abspath(__file__)))这段代码的作用是让脚本无论在哪个目录下被调用都先切到自身所在的文件夹。__file__是 Python 内置变量存的是当前脚本的完整路径os.path.abspath把它转成绝对路径再取目录名并切换过去。这样相对路径./data/train.csv就永远有效。3. 读代码包的顺序从数据加载到基线模型很多人打开代码包后第一件事是找模型定义这其实是效率最低的读法。时间序列预测的代码里数据加载和预处理往往占了整个项目 60% 的代码量而模型部分通常只有十几行。正确顺序应该是先读数据加载再读特征构造最后才看模型。3.1 数据文件与代码文件的对应关系先看 README 和目录树公开代码包一般按“章节编号”组织文件。01_data_loading.py、02_eda.py、03_baseline.py、04_arima.py、05_evaluation.py之类的命名方式最常见。每个文件对应流程中的一个环节文件名数字越小越靠前依赖关系是单向的。# 在项目根目录下 tree -L 2tree -L 2用两层层级显示目录结构-L控制深度能避免输出被 data 目录下的几百个 CSV 文件刷屏。看目录会让你快速搞清楚这份代码包的组织逻辑哪些是数据、哪些是脚本、哪些是 notebook、哪些是结果输出。README 文件在公开代码包里的价值被严重低估。多数 README 会写数据来源、Python 版本要求、依赖安装方式和每个脚本的用途描述。先花五分钟把 README 看一遍能避免后面花五小时在错误的方向上调试。3.2 把 CSV 加载成带时间索引的序列三行代码避免“索引是字符串”的坑时间序列预测代码里最常见的错误是读入的 Date 列是字符串类型而 pandas 根本不知道它是时间。这会导致后续所有按时间取数据的操作全部失效。正确加载姿势如下import pandas as pd df pd.read_csv(data/train.csv, parse_dates[date]) df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() print(df.index.dtype) # 期望输出 datetime64[ns]parse_dates[date]让 pandas 在读 CSV 时就把这一列解析为时间类型比读进来之后再转换更高效。set_index(date)把时间列设为索引sort_index()强制按时间升序排列。这里的关键是最后一行df.index.dtype如果输出不是datetime64[ns]说明前面的解析失败了——最常见原因是 CSV 里的日期格式是01/02/2020这种歧义格式pd.to_datetime默认按美国习惯解析为 1 月 2 日而不是 2 月 1 日。处理歧义日期格式的标准做法是显式指定格式df[date] pd.to_datetime(df[date], format%d/%m/%Y)format参数明确告诉 pandas 日期的排列顺序%d是日、%m是月、%Y是四位年份。虽然加了格式会牺牲一点灵活性但能彻底消除“日期错位一月”这种极难察觉的隐患。这种错位在建模阶段几乎无法被发现因为模型照样能拟合只是预测结果永远和真实日期对不上。3.3 画图与平稳性检查肉眼看趋势才算选对模型模型选型的第一依据不是参数调优技巧而是数据的可视化形态。画图这一步不能省因为趋势项、季节性、周期性在图像上一目了然而这几者直接决定了你该用差分还是季节分解该上 ARIMA 还是 Prophet。import matplotlib.pyplot as plt fig, ax plt.subplots(figsize(12, 5)) ax.plot(df.index, df[value], linewidth1) ax.set_title(Time Series Overview) ax.set_xlabel(Date) ax.set_ylabel(Value) plt.tight_layout() plt.savefig(figs/overview.png, dpi150)plt.subplots创建一个画布和一个坐标轴对象返回的fig是整个画布ax是绘图的坐标系。tight_layout自动调整子图间距避免标签被裁剪这个细节很多视频教程不讲但实际绘图时非常重要。dpi150保证保存出来的图片在屏幕上放大后不会糊。肉眼观察之后要做一次平稳性检查。常见做法是使用 statsmodels 的 ADF 检验from statsmodels.tsa.stattools import adfuller result adfuller(df[value].dropna()) print(fADF Statistic: {result[0]:.4f}) print(fp-value: {result[1]:.4f})ADF 检验的原假设是“序列存在单位根即非平稳”。p 值小于 0.05 时拒绝原假设认为序列平稳p 值大于 0.05 时说明序列有趋势或季节性需要差分或者做季节分解。这里我一般会同时看 ACF 和 PACF 图辅助判断 AR 和 MA 的阶数。ACF 拖尾、PACF 截尾走 AR 模型反之走 MA 模型两者都拖尾就得用 ARMA 了。这部分代码包里的eda文件通常写好了也是你复现后最值得亲手改一改参数的位置。4. 复现核心预测模型从经典统计模型到深度模型读代码包到这一步你已经有了干净的时间索引和一段能用的可视化代码。接下来是重头戏模型。时间序列预测的模型谱系大致分三档——统计模型ARIMA/SARIMA、机器学习模型树模型滞后特征、深度学习模型LSTM 类。这份代码包大概率对三种都有涉及但教学重点通常落在前两种上因为它们在中小规模数据上的性价比最高。4.1 统计模型SARIMA 的 p、d、q 三个参数怎么初定SARIMA 是 ARIMA 的扩展多了季节性分量。它的参数由两组组成非季节部分(p,d,q)和季节部分(P,D,Q,s)其中s是季节周期长度。日数据环境里如果数据按天记录且有一周左右的周期性s7是常见选择。from statsmodels.tsa.statespace.sarimax import SARIMAX model SARIMAX( df[value], order(1, 1, 1), seasonal_order(1, 1, 1, 7), enforce_stationarityFalse, enforce_invertibilityFalse, ) result model.fit(dispFalse) print(result.summary())order(1,1,1)表示 AR 项为 1、差分阶数为 1、MA 项为 1这是最保守的起点配置。seasonal_order(1,1,1,7)的季节周期设为 7 天。enforce_stationarityFalse和enforce_invertibilityFalse是关闭内部的平稳性和可逆性强制约束避免模型因为参数空间的边缘取值而直接报错。参数初定还有个实用技巧差分阶数d看 ADF 检验结果一阶差分后 p 值小于 0.05 就用 1p看 PACF 截尾阶数q看 ACF 截尾阶数。不要一上来就自动网格搜索那是后面的优化步骤初定参数的核心是理解每个参数控制什么。统计模型最需要警惕的是过度拟合。SARIMA 的参数空间较大在小样本上很容易找到一组在训练集上表现绝佳、在测试集上一塌糊涂的参数。判断是否过拟合的标准做法是看 AIC 和 BIC这两个指标在result.summary()里直接给出越小越好。当你看到两个不同参数组合的 AIC 接近时选参数更少的那个——这叫奥卡姆剃刀原则在时间序列模型选择里特别实用。4.2 树模型能进时间序列吗滞后特征表才是关键很多人不知道随机森林和 XGBoost 也能做时间序列预测前提是你得把序列变成监督学习的形式。方法是为每个时间点构造一组“滞后特征”作为自变量然后让树模型去拟合这些特征和目标值的关系。import pandas as pd def make_lag_features(series, lags[1, 2, 3, 7, 14]): df_lag pd.DataFrame({y: series}) for lag in lags: df_lag[flag_{lag}] series.shift(lag) df_lag df_lag.dropna() return df_lag df_feat make_lag_features(df[value]) print(df_feat.head())series.shift(lag)把序列整体向下移动lag个位置移动后第t行存放的就是第t-lag天的值即滞后特征。dropna()去掉开头没有足够历史数据的行因为那些行的滞后特征是 NaN。这段代码构造了滞后 1、2、3、7、14 天的五列特征天级别的数据里滞后 7 用来捕捉周内节律滞后 14 用来捕捉双周节律。树模型在这个框架下表现如何对存在明显非线性关系的序列树模型通常优于线性 ARIMA尤其在特征工程做得好的情况下。但这套方案的代价是需要手动决定滞后阶数而且模型完全丧失了对“趋势”的显式建模能力如果序列有强烈趋势必须先做差分或去趋势预处理from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error X, y df_feat.drop(columnsy), df_feat[y] split_idx int(len(X) * 0.8) X_train, X_test X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_test y.iloc[:split_idx], y.iloc[split_idx:] model RandomForestRegressor(n_estimators300, max_depth6, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) print(fRMSE: {mean_squared_error(y_test, y_pred, squaredFalse):.4f})这里split_idx取前 80% 的行作为训练后 20% 作为测试和普通回归不一样的是绝对不能随机打乱。n_estimators300控制树的棵数max_depth6限制每棵树深度来抑制过拟合random_state42确保结果可复现。随机森林对滞后特征的响应很稳定但你要记住树模型学习的是“过去值和未来值的函数关系”对于长期趋势的外推能力几乎是零这是它的固有边界。4.3 深度学习LSTM 数据预处理的三段式如果你的代码包里有 LSTM 部分通常会包含一个数据预处理的经典三段式归一化、构造窗口、reshape。这三步缺一不可而且每一步都有讲究。import numpy as np from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(df[value].values.reshape(-1, 1)) def create_sequences(data, seq_len30): X, y [], [] for i in range(seq_len, len(data)): X.append(data[i - seq_len:i, 0]) y.append(data[i, 0]) return np.array(X), np.array(y) X_lstm, y_lstm create_sequences(scaled, seq_len30) X_lstm X_lstm.reshape(X_lstm.shape[0], X_lstm.shape[1], 1)MinMaxScaler把数值压缩到 0 到 1 之间LSTM 对输入尺度敏感不归一化容易导致梯度爆炸。create_sequences用长度为 30 的窗口滑动切分数据前 30 天预测第 31 天。最后的.reshape把二维数组转成三维(样本数, 时间步长, 特征数)这是 LSTM 输入的标准格式。深度学习在这份代码包里一般只作为补充内容。我的判断是如果数据行数不到几千或者没有 GPULSTM 的收益大概率不如调好的 SARIMA 或梯度提升树。深度学习适合上百个序列的多步预测、高维特征融合不适合单序列短数据的入门练习。这也解释了为什么很多教学代码包里 LSTM 只是示意因为数据集规模根本撑不起深度模型的训练。5. 避坑清单数据泄漏、差分还原与 zip 资源本身的四个坑时间序列预测代码的坑和普通机器学习项目完全不同。普通项目里你犯的错多半是特征工程质量问题而时间序列项目里最常见的坑是逻辑层面的比如数据泄漏、索引错位、差分没还原。这些坑不报错曲线画出来也像模像样但结果经不起推敲。5.1 数据泄漏的三种隐蔽形态现象训练集上 RMSE 低得惊人测试集上结果也能看但把模型部署到真实场景后预测曲线比真实数据滞后一拍或者完全失效。原因时间序列里的数据泄漏比普通项目更隐蔽至少有三个常见来源。第一直接用train_test_split随机切分让模型在训练时看见了未来数据第二做特征缩放时用全量数据 fit 的MinMaxScaler导致缩放器本身知道了测试集的统计信息第三用了未来的滞后特征比如第t天预测时特征里包含了第t1天甚至更晚的值。解决训练和测试按时间顺序切分特征缩放只用训练集 fit然后 transform 训练集和测试集from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)这里的关键动作是fit_transform只出现在训练集上测试集只用transform也就是复用训练集算好的最小值和最大值。这多写一行就能避免测试集统计信息倒灌进模型的问题。时间序列项目里任何涉及“全量数据计算后再切分”的操作都要高度警惕。5.2 差分还原与预测结果“漂移”现象SARIMA 模型预测的后半段曲线变成一条直线或者朝着一个固定方向缓慢漂移差分后的 LSTM 预测结果整体偏离真实水平。原因模型拟合的是差分后的序列预测出来的也是差分值如果你在还原时只对第一个预测点做了逆差分后续预测点没有逐点累加回去误差就会累积。差分本身会丢掉原始序列的水平信息不还原就等于在预测“变化量”而不是“绝对量”。解决ARIMA 类模型在 statsmodels 里可以用predict或get_forecast它们内部会做逆差分直接用就好。但如果你是自己手动做的差分还原逻辑必须逐点进行last_original df[value].iloc[-1] predictions_original [last_original diff_pred[0]] for i in range(1, len(diff_pred)): predictions_original.append(predictions_original[i - 1] diff_pred[i])这段代码从原始序列最后一个真实值开始把每个差分预测值累加上去。predictions_original[i-1]是前一个还原后的预测值加上当前差分值得到当前绝对量。顺序不能反也不能用向量化的 cumsum 直接加因为 cumsum 会把所有预测值建立在同一个起点上一旦起点偏移所有预测点都会整体漂移。5.3 zip 包自己的坑编码、路径过长、__MACOSX现象解压后文件名乱码、脚本读取 CSV 报 UnicodeDecodeError、Windows 报“路径太长无法访问”。原因公开代码包常常在不同操作系统之间流转三个问题最典型。文件名乱码来自编码不统一路径过长是因为 Windows 经典路径长度限制是 260 字符而教学代码的目录结构经常嵌套很深__MACOSX是 macOS 压缩时自动生成的元数据目录。解决乱码用 7-Zip 或在命令行用 tar 解压路径过长可以把整个项目挪到磁盘根目录下的短路径比如C:\tsf而不是C:\Users\你的名字\Documents\Python Projects\Code for Introduction to Time Series Forecasting with Python__MACOSX用rm -rf __MACOSX直接删除。5.4 日期解析时的隐式时区与频率问题现象pandas 画出图来在某个时间点突然斜率为零或者df.resample(D)报错说索引不是 DatetimeIndex。原因CSV 里的日期字符串如果带时区信息pd.to_datetime解析后的索引是带时区的DatetimeIndex此时.resample(D)会提示你指定tz另一种情况是数据存在重复日期或缺失日期导致索引频率不连续。解决读取后先检查索引唯一性和连续性再做填补或去重df df[~df.index.duplicated(keepfirst)] df df.asfreq(D)~df.index.duplicated()取反保留每个时间点第一条记录keepfirst意味着重复时间点保留第一个值。asfreq(D)把索引频率标准化为按天缺失日期会插入 NaN。这一步之后如果还有 NaN视情况用前向填充或插值处理但要意识到填充本身会引入误差不能当成“默认操作”无脑做。6. 让预测结果可信回测框架与验证技巧前面所有代码跑通之后你会得到一组预测曲线和一堆误差指标。但“能得到指标”和“指标可信”是两回事。时间序列项目里唯一的硬验证标准是模拟真实预测环境一步步回测看模型在每个时间点的表现是否稳定。这章的技巧是你脱离这份代码包、独立做项目时必须带走的。6.1 回测把 TimeSeriesSplit 当默认配置普通机器学习的 K 折交叉验证在时间序列里是错误工具。你要用的是时间序列专用的交叉验证器它保证每次划分都是“训练集时间在前、验证集时间在后”。from sklearn.model_selection import TimeSeriesSplit from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error tscv TimeSeriesSplit(n_splits5) mae_scores [] for train_idx, val_idx in tscv.split(X): X_tr, X_va X.iloc[train_idx], X.iloc[val_idx] y_tr, y_va y.iloc[train_idx], y.iloc[val_idx] model RandomForestRegressor(n_estimators200, max_depth5, random_state42) model.fit(X_tr, y_tr) y_pred model.predict(X_va) mae_scores.append(mean_absolute_error(y_va, y_pred)) print(fMAE across folds: {[f{s:.3f} for s in mae_scores]})TimeSeriesSplit(n_splits5)会把数据依次切成 5 组第一次用前 20% 训练验证后 20%第二次用前 40% 训练验证接下来的 20%以此类推。每次验证集的窗口时间都严格晚于训练集。看每一折的 MAE 值比只看单次测试集的 RMSE 有意义得多因为时间序列存在“越近越难预测”的现象如果最近一折的误差明显高于早期说明模型对近期的分布漂移不敏感。6.2 用 MASE 而不是只盯着 RMSERMSE 和 MAE 都是绝对量指标它们的数值大小取决于数据本身的尺度。同样的 RMSE在数值范围 0-1 的数据上代表灾难在 0-10000 的数据上代表优秀。跨数据集对比时需要使用尺度无关的指标。MASE平均绝对标度误差通过除以训练集的平均绝对误差来消除尺度影响小于 1 说明模型优于朴素预测。from sklearn.metrics import mean_absolute_error import numpy as np def mase(y_train, y_test, y_pred): n len(y_train) naive_mae np.mean(np.abs(np.diff(y_train))) / (n - 1) forecast_mae mean_absolute_error(y_test, y_pred) return forecast_mae / naive_mae mase_value mase(y_train, y_test, y_pred) print(fMASE: {mase_value:.3f})np.diff(y_train)计算训练集逐点差值的绝对值取其均值再除以n-1得到朴素预测用上一点预测下一点的平均绝对误差。然后把模型在测试集上的 MAE 除以这个基准值得到的 MASE 如果小于 1说明你的模型确实学到了数据中的结构而不是在瞎猜。这个指标在时间序列竞赛里几乎是标配但很多入门代码包并不会显式提供。6.3 最后一步把你的数据喂进去代码包的价值在于它是一套可以替换数据源的模板。我每次拿这类资源都会在跑通之后做一件事把它自带的数据集换成自己业务里的一段真实数据重新走一遍加载、可视化、基线、建模、评估的流程。如果替换数据后第一个脚本就报错那问题往往出现在数据格式上——而不是代码本身。我的习惯是保留一份“验证基线”无论用什么模型先跑一个 naive forecast用昨天预测今天记录它的误差作为底线。后续任何模型如果连这条底线都打不过就不值得部署。这个方法帮我挡住过很多次“看起来很美”的复杂模型方案。时间序列预测从来不是“选一个模型调参”那么轻松它是数据清洗、特征设计、验证策略三者的综合工程。代码包只是把这条路画好了地图真正要走通还得靠你在自己的数据上慢慢踩。希望这份拆解对你有用也祝你少踩几个我已经替你踩过的坑。本文还有配套的精品资源点击获取