### 使用Python绘制时间序列图、自相关图和偏自相关图 以下是实现这一目标的具体方法以及代码示例： #### 绘制时间序列图 通过 `matplotlib` 和 `pandas` 的绘图功能可以轻松完成时间序列图的绘制。这里假设我们已经加载了一个带有日期索引的时间序列数据。 ```python import pandas as pd import matplotlib.pyplot as plt # 加载每月太阳黑子数据集 url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-sunspots.csv" data = pd.read_csv(url, parse_dates=['Month'], index_col='Month') # 时间序列图 plt.figure(figsize=(10, 6)) plt.plot(data.index, data['Sunspots'], label="Monthly Sunspots", color="blue") plt.title("Time Series of Monthly Sunspots") plt.xlabel("Year") plt.ylabel("Number of Sunspots") plt.legend() plt.grid(True) plt.show() ``` 此部分展示了如何利用 `matplotlib` 来创建一个基本的时间序列图[^2]。 #### 绘制自相关图 (ACF) 自相关图可以通过 `statsmodels` 中的 `plot_acf()` 函数来生成，该函数能够计算并展示滞后阶数与对应的自相关系数之间的关系。 ```python from statsmodels.graphics.tsaplots import plot_acf # 自相关图 plt.figure(figsize=(10, 6)) plot_acf(data['Sunspots'], lags=40) plt.title("Autocorrelation Function (ACF)") plt.show() ``` 这段代码说明了如何调用 `plot_acf()` 方法，并设置最大滞后期为40以观察更长时间范围内的模式[^2]。 #### 绘制偏自相关图 (PACF) 类似于 ACF 图表，偏自相关图则由 `plot_pacf()` 提供支持，它有助于识别 AR(p) 模型的最佳 p 阶次。 ```python from statsmodels.graphics.tsaplots import plot_pacf # 偏自相关图 plt.figure(figsize=(10, 6)) plot_pacf(data['Sunspots'], lags=40) plt.title("Partial Autocorrelation Function (PACF)") plt.show() ``` 以上实现了 PACF 图形化表示的功能[^2]。 --- #### 完整代码集成 为了方便理解整个流程，下面提供了一段完整的脚本用于一次性生成所有的图表： ```python import pandas as pd import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 数据导入 url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-sunspots.csv" data = pd.read_csv(url, parse_dates=['Month'], index_col='Month') # 设置图形大小参数 fig_size = (10, 6) # 时间序列图 plt.figure(figsize=fig_size) plt.plot(data.index, data['Sunspots'], label="Monthly Sunspots", color="blue") plt.title("Time Series of Monthly Sunspots") plt.xlabel("Year") plt.ylabel("Number of Sunspots") plt.legend() plt.grid(True) plt.show() # 自相关图 plt.figure(figsize=fig_size) plot_acf(data['Sunspots'], lags=40) plt.title("Autocorrelation Function (ACF)") plt.show() # 偏自相关图 plt.figure(figsize=fig_size) plot_pacf(data['Sunspots'], lags=40) plt.title("Partial Autocorrelation Function (PACF)") plt.show() ``` 上述代码综合运用了多个库的功能，从而完成了所需的任务。 ---