使用 SciPy 库进行时间序列分析

作者:databook日期:2026/10/3

时间序列分析听起来有点学术,但其实干起来挺直接的。

你有一串按时间排列的数据,想知道里面有没有趋势、有没有周期性、噪声有多大,或者两个序列之间有没有延迟关系。

SciPy 这个库在信号处理、统计检验方面提供了不少现成的工具,配合 Matplotlib 画图,基本能覆盖日常分析的大部分需求。

本文不是单纯的介绍知识点,而是直接造一组模拟的全年每日温度数据,然后一步步用它演示:

  • 怎么平滑
  • 怎么滤波
  • 怎么去趋势
  • 怎么找周期
  • 怎么看自相关和互相关

每一步都配上代码和图表,你跟着跑一遍,自然就知道 SciPy 里这些函数该怎么用了。

1. 先造一组有季节性和趋势的温度数据

我在项目上有不少真实的数据,可能会违反甲方的隐私保护,所以我们直接用 NumPy 模拟。

假设一年 365 天,温度由三部分组成:一个周期为 365 天的正弦波代表季节性,一个缓慢上升的线性趋势,再加上一点随机噪声。

这样既有规律可循,又不会太干净。

1import numpy as np
2import matplotlib.pyplot as plt
3
4# 设置中文字体,避免图表中的中文显示为方框
5plt.rcParams['font.sans-serif'] = ['SimHei']
6plt.rcParams['axes.unicode_minus'] = False
7
8np.random.seed(0)                     # 固定随机种子,保证结果可复现
9days = np.arange(365)                 # 天数
10seasonal = 10 * np.sin(2 * np.pi * days / 365)  # 季节性成分
11trend = 0.05 * days                   # 线性趋势
12noise = np.random.normal(0, 2, 365)   # 随机噪声
13temperature_data = 20 + seasonal + trend + noise  # 合成温度数据
14
15plt.plot(days, temperature_data)
16plt.xlabel('天数')
17plt.ylabel('温度')
18plt.title('模拟的每日温度数据')
19plt.show()
20

画出来能看到一条上下波动、整体略微上升的曲线,噪声让线条有点毛刺。

这就是我们后面所有分析的输入。

2. 用移动平均把噪声压一压

原始数据里的高频噪声会干扰我们对趋势的判断。最简单的平滑方法就是移动平均:取一个窗口,比如 7 天,算平均值,然后窗口往后滑。

NumPy 的 convolve 可以很方便地实现。

1def moving_average(data, window_size):
2    return np.convolve(data, np.ones(window_size) / window_size, mode='valid')
3
4smoothed = moving_average(temperature_data, 7)
5
6plt.plot(days, temperature_data, label='原始数据', alpha=0.5)
7plt.plot(days[6:], smoothed, label='7天移动平均', linewidth=2)
8plt.legend()
9plt.show()
10

窗口取 7 天是因为温度数据通常以周为周期有波动,7 天平均能抹掉大部分随机噪声,同时保留季节性的轮廓。

从图上能明显看出平滑后的曲线更干净,上升趋势和正弦波动都清晰了。

3. 低通滤波器:比移动平均更灵活的选择

移动平均本质上是个简单的低通滤波器,但如果你想更精确地控制截止频率,SciPy 的 signal.butter 和 filtfilt 更好用。

Butterworth 滤波器可以把高于某个频率的成分衰减掉,filtfilt 做双向滤波,避免相位偏移。

1from scipy.signal import butter, filtfilt
2
3def lowpass_filter(data, cutoff, fs, order=4):
4    nyquist = 0.5 * fs
5    normal_cutoff = cutoff / nyquist
6    b, a = butter(order, normal_cutoff, btype='low', analog=False)
7    return filtfilt(b, a, data)
8
9filtered = lowpass_filter(temperature_data, cutoff=0.1, fs=1)
10
11plt.plot(days, temperature_data, alpha=0.5, label='原始数据')
12plt.plot(days, filtered, label='低通滤波后', linewidth=2)
13plt.legend()
14plt.show()
15

这里采样频率 fs=1(每天一个点),截止频率设成 0.1,意思是保留周期大于 10 天的成分,把更快的波动滤掉。

结果和移动平均类似,但边缘处理更平滑,没有移动平均那种两端缺数据的问题。

4. 去趋势:把长期上升拿掉,只看季节性

温度数据里有个线性上升趋势,如果我们只想看季节性的正弦波动,可以用 scipy.signal.detrend 把线性趋势减掉。

1from scipy.signal import detrend
2
3detrended = detrend(temperature_data)
4
5plt.plot(days, detrended)
6plt.xlabel('天数')
7plt.ylabel('去趋势后的温度')
8plt.title('去趋势结果')
9plt.show()
10

去趋势后的曲线围绕 0 上下波动,正弦形状更明显了。

不过要注意,如果原始数据里的趋势不是线性的,detrend 默认只去线性趋势,效果可能不够。

我们这里恰好是线性趋势,所以结果很干净。

注:细心的朋友可能发现这个【去趋势结果】图和第 1 小节创建模拟数据后的【模拟的每日温度数据】图几乎一样。那么,去趋势结果(detrend)究竟做了什么呢?

一般来说,做频谱分析(FFT)、自相关、或找周期性之前,通常先去趋势。

否则线性趋势会在低频段产生很强的能量,掩盖真正的周期信号;去趋势也让数据的均值趋于稳定(平稳性),是很多时序分析方法的前置步骤。

简单来说:我们上面的 detrend 没有改变数据的“形状”,只是把数据整体平移并拉平,让它围绕 0 波动——相当于减掉了 20 + 0.05·days 这条背景直线。

仔细看可以发现,【去趋势结果】图中 Y 轴是围绕 0 左右波动的,第 1 小节中的【模拟的每日温度数据】图是围绕 30 左右波动的。

5. 频谱分析:找出主要周期

想知道数据里到底有哪些周期成分,频谱分析是最直接的办法。

scipy.signal.periodogram 可以计算功率谱密度,横轴是频率,纵轴是功率。

频率的倒数就是周期。

1from scipy.signal import periodogram
2
3frequencies, power = periodogram(temperature_data, fs=1)
4
5plt.semilogy(frequencies, power)
6plt.xlabel('频率(周期/天)')
7plt.ylabel('功率')
8plt.title('周期图')
9plt.show()
10

图上会在频率 1/365 ≈ 0.00274 附近出现一个明显的峰值,对应 365 天的年周期。

用对数纵轴是因为功率差异可能很大。

如果你看到其他小峰值,可能是噪声或者谐波,但主峰的位置直接告诉了你数据里最强的周期。

6. 自相关:看当前值和过去值的关系

自相关衡量的是时间序列和它自己延迟若干天后的相关性。如果数据有季节性,自相关会在滞后 365 天附近出现高点。

我们用 scipy.stats.pearsonr 算滞后 1 到 30 天的相关系数。

1from scipy.stats import pearsonr
2
3lags = range(1, 31)
4autocorrs = [pearsonr(temperature_data[:-lag], temperature_data[lag:])[0] for lag in lags]
5
6plt.stem(lags, autocorrs)
7plt.xlabel('滞后(天)')
8plt.ylabel('自相关')
9plt.title('30天内的自相关')
10plt.show()
11

因为我们的数据有正弦季节性,自相关会呈现波浪形,滞后越接近 365 的整数倍,相关性越高。

这里只画了 30 天,能看到相关性逐渐下降然后可能回升,这反映了短期的周期结构。

7. 互相关:分析两个序列之间的延迟关系

有时候我们关心两个序列是否相关,以及一个是否领先另一个。互相关就是干这个的。

我们生成一组模拟湿度数据,让它跟温度有 5 天的延迟关系,然后计算不同偏移下的相关系数。

1humidity_data = 70 + 0.5 * temperature_data[:-5] + np.random.normal(0, 1, 360)
2
3shifts = range(-10, 11)
4cross_corrs = [pearsonr(temperature_data[:360], np.roll(humidity_data, shift))[0] for shift in shifts]
5
6plt.stem(shifts, cross_corrs)
7plt.xlabel('偏移量')
8plt.ylabel('互相关')
9plt.title('温度与湿度的互相关')
10plt.show()
11

结果会在偏移 +5 或 -5 附近出现峰值,具体方向取决于 np.roll 的定义。

这告诉我们湿度对温度有大约 5 天的滞后响应。

实际分析中,互相关能帮你判断因果方向或者找到最佳对齐方式。

8. 小结

到这里,我们用 SciPy 走了一遍时间序列分析的典型流程:

  1. 造数据
  2. 移动平均
  3. 低通滤波
  4. 去趋势
  5. 频谱分析
  6. 自相关
  7. 互相关

每个函数都不复杂,关键是知道什么时候用哪个。

移动平均和低通滤波适合平滑和去噪,去趋势帮你分离长期和周期成分,频谱和自相关能揭示周期,互相关则用于两个序列的延迟分析。

这些技术是更高级建模(比如 ARIMA、傅里叶拟合)的基础。你可以在自己的数据上试试,把参数调一调,看看结果怎么变。


参考文档


《使用 SciPy 库进行时间序列分析》 是转载文章,点击查看原文。


相关推荐


一套“嵌入式硬件 + 物联网”可视化,如何计算Highcharts许可证数量?
Highcharts.js2026/9/27

企业软件采购与授权合规实务,如何计算 Highcharts 许可证? 在智能水表、智慧水务、物联网、能源管理等项目中,Highcharts 经常同时出现在两个不同层面: 嵌入式智能水表、网关或终端设备物联网运营中台、Web 管理平台或 SaaS 系统 这两个场景虽然都使用 Highcharts 进行数据可视化,但在商业交付模式上可能完全不同,因此不能简单按照“水表有多少块,就购买多少套 Highcharts”来计算许可证。 真正需要判断的是: Highcharts 最终在哪里运行?谁可以使用?


把 KES 集群交给 Kubernetes 的九十天:一个 DBA 的试用实录
我是杰尼2026/9/19

把 KES 集群交给 Kubernetes 的九十天:一个 DBA 的试用实录 第 0 天:一个押上睡眠质量的决定 先交代背景。我在团队里负责十多套金仓 KES(KingbaseES)数据库集群的运维,主备流复制架构,跑在虚拟机上。这套体系我们维持了几年,谈不上优雅,但胜在熟悉——每台机器的脾气、每个实例的参数、每份应急预案的位置,都在心里有一本账。 变化来自两个方向。一是公司基础架构全面转向 Kubernetes,业务应用一批批迁入,平台组开始追问"数据库什么时候跟上";二是我们自己的痛感在


推理链中的 Token 冗余与剪枝:消除无意义语气词对注意力权重的稀释
醍醐实验室2026/9/11

推理链中的 Token 冗余与剪枝:消除无意义语气词对注意力权重的稀释 随着大模型深度推理(Reasoning Models)能力的演进,生成超长思维链(Long-CoT)已经成为解决复杂数学、符号规划与长代码生成的标准范式。 然而,在审视模型输出的长达数千 Token 的推导轨迹时,我们经常会看到大量高度冗余的过渡性表达,例如:“Let me pause and think...”、“Wait, is this correct? Let's check again...”、“Hmm, let


react-bits:从 36K stars 的“酷炫组件”,看动效如何成为 React 的可复用能力
吴琼琼2026/9/3

react-bits:从 36K stars 的“酷炫组件”,看动效如何成为 React 的可复用能力 打开一个视觉表现力强的网页,人们最先注意到的往往不是组件边界、状态管理或样式组织,而是“这个效果很酷”。文字浮现、背景变化、鼠标交互、内容切换,这些细节能让同样的信息架构呈现出完全不同的气质。 但前端开发里,“很酷”从来不是终点。 一个效果如果只能存在于单个页面的临时代码里,它带来的价值通常很短;如果它能够被抽象为可理解、可选择、可组合的组件,才有机会从一次视觉尝试变成稳定的开发能力。 rea


一条命令,十分钟:jeeflow 工作流应用的六语言一键部署
mldong2026/8/26

系列定位:jeeflow 系列第 9 篇(第三季「多语言联邦」第 1 篇) 平台:公众号 / 掘金(实用向:一键部署 + 选型) 素材版本:引擎 Java 1.8.18 / Go·Python·Node 1.8.20 / PHP 1.3.5 / Rust 1.0.5;一键部署脚本取自 mldong-website 前置阅读:第 8 篇 · 会签三兄弟:并行/串行/按比例的实现与取舍 一、先上结果 在任意一台装了 Docker 的 Linux 服务器上,执行一条命令: curl -fsSL h


Fiber 与 PHP 8.6 Polling API 异步初探
BingoGo2026/8/13

Fiber 与 PHP 8.6 Polling API 异步初探 几周前的一篇文章曾介绍 Polling API RFC,并将其定位为被低估的提案,原因主要在于:报道往往漏掉了真正的动机——那是内部 php_poll.h API,而非用户态的 Io\Poll 类。这一判断至今仍然成立。不过随后收到了不少类似"好吧,可它到底能用来做什么?"的反馈。这是个合理的问题,也正是本文要回答的问题。 时机也恰到好处。该 RFC 以 33 票赞成、1 票反对、4 票弃权通过,并于 6 月 3 日投票截止,实


鸿蒙掌上驾考宝典应用开发15:答题交互组件——Exam 与 SelectComponent 全解析
麦田ya2026/8/3

第15篇:答题交互组件——Exam 与 SelectComponent 全解析 一、引言 答题交互是驾考应用最核心的用户交互场景。DriverLicenseExam 项目的 Exam 组件和 SelectComponent 组件共同实现了完整的答题交互体验,包括试题展示、选项选择、答案判断、答题卡、倒计时等。本文将深入解析这两个组件的实现。 二、Exam 组件架构 2.1 组件职责 Exam 组件是考试页面的核心容器,负责: 管理试题列表(Swiper 滑动切换)展示倒计时(模拟考试)管理答题


[V2X]音频数据流图
墨染天玑2026/7/26

Playback / Recording / Voice 三种场景的音频数据流框图: #mermaid-svg-nAP2CEPsCFL66meU{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}


Day 008:Agent 记得越多越好吗?短期与长期记忆的底层逻辑
kisbad2026/7/18

系列: 100 天系统学习 AI Agent 开发 当前阶段: Agent 基础与环境搭建 今日目标: 搞懂短期记忆与长期记忆的核心差异,建立记忆治理机制。 AI Agent 大模型 Agent开发 LangGraph 很多刚接触 Agent 开发的同学,在加上数据库之后都会有一种错觉:“我的 Agent 终于拥有长期记忆了,它可以记住一切!” 但实操下来往往会遇到这种尴尬场景:学习助手如果每次都问“你学到第几天了”,会显得很智障;可如果它把你随口抱怨的一句“我最近不想学 Python”永久保


离线优先:无网络权限的鸿蒙 Flutter 应用设计
程序员小Pyy2026/7/10

在万物互联的时代,做一个"断网"应用反而是最激进、也最负责任的设计选择。本文以 E-Brufen 为例,从架构哲学、存储设计、代码实现到用户体验,全面探讨离线优先应用的构建方法。 一、为什么选择离线? 1.1 一句话:零权限 打开 E-Brufen 的 ohos/entry/src/main/module.json5,你会看到这样一行配置: "requestPermissions": [] 一个空数组。没有 ohos.permission.INTERNET、没有 ohos.p

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读