seasonal_decompose返回Residual与Trend组件NaN值问题求助

问题根源 #

你遇到的问题核心是seasonal_decompose没有拿到正确的时间序列元信息——要么是数据索引不是DatetimeIndex，要么是没有明确指定周期/频率参数，导致工具无法完成趋势和残差的计算（绘图能显示是因为内部临时处理了数据，但属性没有和原索引对齐）。

分步解决方案 #

1. 检查并修复时间索引 #

首先确认你的数据索引是DatetimeIndex类型，这是statsmodels时间序列工具的基础要求：

import pandas as pd

# 假设你的时间列名为'date'，格式如'2003-01'
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

# 验证索引类型
print(type(df.index))  # 应输出 <class 'pandas.core.indexes.datetimes.DatetimeIndex'>

2. 明确指定周期/频率 #

月度数据的周期是12，根据你的statsmodels版本选择参数：

• statsmodels >= 0.13版本：使用period参数

from statsmodels.tsa.seasonal import seasonal_decompose

s_d_multi = seasonal_decompose(df['sales'], model='multiplicative', period=12)

• statsmodels < 0.13版本：使用freq参数

s_d_multi = seasonal_decompose(df['sales'], model='multiplicative', freq=12)

另外，也可以给索引设置频率，让工具自动推断：

df = df.asfreq('M')  # 'M'代表月度频率

3. 验证结果 #

重新分解后，检查趋势和残差的非NaN值：

# 查看前5个非NaN趋势值
print(s_d_multi.trend.dropna().head())
# 查看前5个非NaN残差值
print(s_d_multi.resid.dropna().head())

额外排查点 #

如果以上操作后仍有问题，检查数据是否存在连续缺失值——大范围缺失会导致趋势计算失败，但你是全NaN，所以优先排查索引和周期参数。

内容的提问来源于stack exchange，提问作者Shwetank