Python 项目依赖导出:pip 生成 requirements.txt 的实用经验
讲清楚 pip freeze 和 pipreqs 的使用方式、过滤脏依赖、虚拟环境配合以及安装验证,附带一些实际踩过的坑。
支持通配符SSL证书、多域名证书、IP证书。适配ACME接口, 支持Zerossl、Let's Encrypt和Google等渠道。登录已有账号
2026-11-04 00:18:23 时间序列 数据分析 STL分解 Python
前些年我给一家电商客户做销售看板,11月的曲线突然窜上去一截。老板看了很高兴,觉得业务终于起飞了,当场就要加库存、扩投放。我当时没好意思泼冷水,结果下个月数据原样跌回去,大家都挺难看。后来我用时间序列分解把这段序列拆开,真相一目了然:那次上涨根本不是增长,是大促带来的季节性高峰,长期趋势其实纹丝没动。
这件事让我长了记性。原始曲线是个混合信号,趋势、周期、随机波动全搅在一起,直接盯着看非常容易被短期波动带偏,把促销当成长期增长,或者把季节性回落当成业务衰退。分解做的事,就是把一条乱七八糟的曲线拆成长期方向、重复周期和随机噪声三块,各自看清楚。
一条序列 Y 通常可以写成三个分量之和,Y = T + S + R,T 是趋势,S 是季节性,R 是残差,这就是加法模型。另一种是乘法模型,Y = T × S × R,季节波动的幅度会跟着整体水平等比例放大。怎么选就看一件事:波动幅度是否随趋势变大。比如销售额旺季和淡季的绝对差距,高峰期年份明显比低谷期年份宽,那就用乘法;差距基本稳定就用加法。实在拿不准,常见做法是先对序列取对数,把乘法关系变成加法关系再分解。
分解前必须定周期参数。多数时候直接按业务频率设:月度数据是12,周度是52,季度是4,按天采集的日周期数据是7。如果周期本身不确定,可以画自相关图 ACF,看哪个滞后阶数上有明显峰值,或者用周期图找主频率。还有一个硬性门槛:数据至少要覆盖两个完整周期,不然季节项估不稳。
statsmodels 里现成的实现是 seasonal_decompose,它内部用居中移动平均来估计趋势。原理很朴素:对每个点取前后一个窗口的均值,毛刺被抹平,剩下长期方向。代价是趋势项首尾会有几个缺失值,因为窗口凑不齐,这是方法固有的,不是代码写错了。
from statsmodels.tsa.seasonal import seasonal_decompose
dec = seasonal_decompose(sales, model="additive", period=12)
dec.trend.plot() # 趋势项
dec.seasonal.plot() # 季节项
dec.resid.plot() # 残差项
拆出三个分量后重点看两处。一是季节项形态是否符合业务常识,二是残差是不是接近白噪声。如果残差里还有规律性的起伏,说明周期设错了或者模型类型选错了,回头改。选型时也可以分别跑加法和乘法,比较两边残差的方差,挑更接近纯噪声的那个。

数据更复杂时,比如季节形态本身在逐年漂移,seasonal_decompose 就不够用了,它默认季节项固定不变、逐期重复。这时候换 STL,它用局部加权回归分别平滑趋势和季节,允许季节分量随时间缓慢演化,对离群点也更鲁棒,一次大促爆单不至于把整条趋势线带歪。
from statsmodels.tsa.seasonal import STL
res = STL(sales, period=12, seasonal=13, robust=True).fit()
res.trend.plot()
res.seasonal.plot()
res.resid.plot()
STL 的参数别偷懒不动。period 决定周期;seasonal 控制季节项的平滑程度,取奇数,越大季节形态越稳、越不容易随年份变化;trend 不传就按 period 自动推;robust 设 True 会给异常点降权。这几个值需要对着残差图多试几轮,没有放之四海皆准的默认配置。
分解本身不是预测模型,它是结构诊断工具,不能直接外推未来。它真正的价值是让下游工作变干净:把去掉趋势和季节的序列喂给 ARIMA 或指数平滑建模,或者把各分量当作特征交给机器学习模型,效果都比拿原始曲线硬上好得多。
也得诚实说清它的边界。分解假设序列能拆成这几块,对强非平稳数据、或者分量之间交互很复杂的序列,效果有限。它对缺失值敏感,必须提前插补或剔除。选错周期或模型时它不会报错,只会悄悄给你一份看着合理、其实错误的分解结果,残差图是唯一的照妖镜。
后来我把这套分解脚本挂成定时服务,每天从远程数仓拉数出图。拉数据全程走 HTTPS,证书过期是个经典事故点,我直接接了 lcjmSSL,用它的轻量 API 把证书申请、验证、部署全流程自动化,省得半夜被到期告警叫醒。现在老板再看到曲线窜升,我十分钟就能甩出一张分解图,说清楚那是增长、周期,还是噪声。
上一篇: AI答不对你的业务数字,问题出在数据平台
讲清楚 pip freeze 和 pipreqs 的使用方式、过滤脏依赖、虚拟环境配合以及安装验证,附带一些实际踩过的坑。
分享两种在 Python 类继承中灵活处理初始化参数的方法:用 super() 传参,以及借助 *args 和 **kwargs 应对不固定的参数。
深入学习如何使用Python的`wordcloud`库,从零开始创建英文词云图。文章涵盖库安装、文本数据处理、词云生成及高级自定义技巧,助你轻松掌握数据可视化利器。通过调整参数和文本数据,你可以制作出符合需求的词云图。
本文系统解决了Python中的SSL证书验证失败问题,涵盖系统证书更新、certifi包使用、自定义SSL上下文等6种方案。通过故障原因矩阵和安全最佳实践,帮助开发者区分生产/开发环境的安全配置策略。特别强调自签名证书需手动指定CA文件,而临时禁用验证仅限测试环境使用。掌握这些方法可有效避免因证书问题导致的网络请求中断,提升应用稳定性。
本文从一名SSL证书爱好者的视角,深度解析了Linux系统下通过OpenSSL命令、Python脚本及浏览器三种核心方法,精确查看SSL证书有效期的技术细节与应用场景,并强调自动化管理的重要性。