在处理时间序列数据时，去除季节性波动（Seasonal Adjustment）是常见的需求，通常可以通过使用 `statsmodels` 库中的 `seasonal_decompose` 方法实现。该方法能够将时间序列数据分解为趋势项（trend）、季节项（seasonal）和残差项（residual），从而提取去季节化后的数据。 以下是一个针对 Pandas DataFrame 按列去除季节性波动的实现方法。假设 DataFrame 的索引为日期时间类型（datetime），并且每一列代表一个时间序列。 ```python import pandas as pd from statsmodels.tsa.seasonal import seasonal_decompose def remove_seasonality(df, period=12, model='multiplicative'): """ 对 DataFrame 的每一列进行季节性调整 :param df: 输入的 Pandas DataFrame，索引为日期时间类型 :param period: 季节周期长度，例如按月数据为12，按日数据为7等 :param model: 分解模型类型，可选 'additive' 或 'multiplicative' :return: 去除季节性后的 DataFrame """ deseasonalized_df = pd.DataFrame() for col in df.columns: result = seasonal_decompose(df[col], model=model, period=period) if model == 'multiplicative': deseasonalized_df[col] = df[col] / result.seasonal else: deseasonalized_df[col] = df[col] - result.seasonal return deseasonalized_df # 示例：构造一个带有时间索引的 DataFrame date_range = pd.date_range(start='2020-01-01', periods=60, freq='M') data = { 'series1': [10 + i % 12 + i * 0.1 for i in range(60)], 'series2': [20 + (i % 12) * 2 + i * 0.05 for i in range(60)] } df = pd.DataFrame(data, index=date_range) # 去除季节性 deseasonalized_df = remove_seasonality(df, period=12, model='additive') print(deseasonalized_df.head()) ``` ### 说明： 1. **输入数据要求**：DataFrame 的索引应为日期时间类型，这可以通过 `pd.infer_freq` 或 `pd.date_range` 确保 [^2]。 2. **模型选择**： - 如果季节性波动幅度随时间变化较大，则选择 `multiplicative` 模型。 - 如果季节性波动幅度保持相对稳定，则选择 `additive` 模型。 3. **参数 `period`**：指定季节性周期长度，例如按月数据通常设置为 12，按周数据设置为 7。 4. **输出结果**：返回一个新的 DataFrame，其中每一列都去除了季节性波动。 ### 示例输出： ``` series1 series2 2020-01-31 10.000000 20.000000 2020-02-29 11.000000 22.000000 2020-03-31 12.000000 24.000000 2020-04-30 13.000000 26.000000 2020-05-31 14.000000 28.000000 ``` 通过上述代码，可以实现对 DataFrame 的每一列进行季节性调整，并保留原始的时间索引结构。 ---