原始数据形式（部分）Pandas
数据导入与设置原始数据时序图生成自相关系数图偏相关系数图一阶差分图
原始数据形式（部分）| DATE | CLOSE/LAST |
|---|---|
| 2012/1/23 | 14.61 |
| 2012/1/24 | 14.94 |
| 2012/1/25 | 14.85 |
| 2012/1/26 | 14.71 |
| 2012/1/27 | 14.91 |
import matplotlib
matplotlib.use('Qt5Agg')
import pandas as pd
import datetime
import matplotlib.pylab as plt
import seaborn as sns
from matplotlib.pylab import style
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
style.use('ggplot')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
stockFile = 'nvidia.csv'
#将索引index设置为时间，parse_dates对日期格式处理为标准格式。
stock = pd.read_csv(stockFile, index_col=0, parse_dates=[0])
原始数据时序图生成
#以周一为索引，按周取平均值进行重采样
stock_week = stock['Close'].resample('W-MON').mean()
stock_train = stock_week['2012':'2021']
stock_train.plot(figsize=(15,9))
plt.title("Stock Close")
sns.despine()
自相关系数图
acf = plot_acf(stock_train, lags=47)
plt.title("ACF")
acf.show()
偏相关系数图
pacf = plot_pacf(stock_train, lags=47)
plt.title("PACF")
pacf.show()
一阶差分图
stock_diff = stock_train.diff()
stock_diff = stock_diff.dropna()
plt.figure()
plt.plot(stock_diff)
plt.title('First Order Difference')
plt.show()
Fin.
