如何使用statsmodels获取指定lags的ACF原始数据？

方法一：从完整ACF结果中提取指定滞后值 #

如果需要的最大滞后阶数不算特别大，可以先调用statsmodels.tsa.stattools.acf计算到该最大滞后，再从结果中提取目标列表对应的ACF值：

import statsmodels.tsa.stattools as ts
import numpy as np

# 假设目标滞后列表为target_lags
target_lags = [100, 200, 300]
max_lag = max(target_lags)

# 计算所有到max_lag的ACF值
full_acf = ts.acf(your_time_series, nlags=max_lag, adjusted=False)

# 提取指定滞后的ACF值（注意acf结果索引对应滞后阶数，索引0是滞后0的ACF值=1）
selected_acf = full_acf[target_lags]

缺点：如果目标滞后阶数极大（比如上万），这种方法还是会计算所有中间滞后，效率依旧不高。

方法二：手动计算指定滞后的ACF值 #

根据ACF的定义（滞后k的自相关系数 = 序列与自身滞后k阶的协方差 / 序列的方差），直接针对每个目标滞后单独计算，避免冗余计算：

import numpy as np

# 假设你的时间序列为x
x = your_time_series.values  # 转为numpy数组
x_mean = x.mean()
x_var = x.var(ddof=0)  # 与statsmodels.acf默认的adjusted=False对应

target_lags = [100, 200, 300]
selected_acf = []

for k in target_lags:
    # 计算滞后k的协方差
    cov = np.mean((x[:-k] - x_mean) * (x[k:] - x_mean))
    # 计算ACF值
    acf_val = cov / x_var
    selected_acf.append(acf_val)

selected_acf = np.array(selected_acf)

这种方法只计算你需要的滞后阶数，在处理大数据集且仅需大滞后值时，效率会显著提升。如果需要和statsmodels的adjusted=True对齐，只需将方差计算改为x.var(ddof=1)即可。

内容的提问来源于stack exchange，提问作者Zonova