时间序列分解报错求助：含间隔的股票价格数据处理

错误原因 #

seasonal_decompose要求输入的时间序列必须是规则频率且连续无间隔的。股票数据仅包含交易日，周末无数据，即便手动设置freq='D'，实际索引中存在日期缺失，导致系统推断的频率与设置的'D'不匹配，从而触发两类报错。

解决方法与间隔数据处理 #

1. 转为周度数据（简单直接） #

如果业务分析允许，将日度数据聚合为周度数据可天然消除周末间隔：

• 按周重采样，取每周最后一个交易日的收盘价（或均值、开盘价等，按需选择）
• 代码示例：

# 假设train_series是已设置DatetimeIndex的收盘价序列
weekly_series = train_series.resample('W').last()  # W代表周度频率，last()取每周最后一个有效值
# 直接进行分解
weekly_decomp = seasonal_decompose(weekly_series, model='additive')
# 获取各成分
weekly_trend = weekly_decomp.trend
weekly_seasonal = weekly_decomp.seasonal
weekly_residual = weekly_decomp.resid

2. 填充缺失交易日数据（保留日度粒度） #

如果需要保留日度分析维度，可对周末等缺失日期进行填充，生成连续日度序列：

• 常见填充方式：前向填充（ffill，用前一交易日价格填充）、线性插值
• 代码示例：

# 生成从数据起始到结束的完整日度索引
full_dates = pd.date_range(start=train_series.index.min(), end=train_series.index.max(), freq='D')
# 重新索引并填充缺失值，这里用前向填充
filled_train = train_series.reindex(full_dates).ffill()
# 现在可以正常分解
daily_decomp = seasonal_decompose(filled_train, model='additive')

3. 使用支持不规则序列的分解方法 #

如果不想修改原始数据结构，可使用STL分解（需statsmodels>=0.13版本），它不需要连续规则的时间频率：

from statsmodels.tsa.seasonal import STL

# 直接传入原始交易日序列，seasonal参数为季节性窗口（可根据数据调整，通常取奇数）
stl = STL(train_series, seasonal=13)
result = stl.fit()

# 获取各成分
stl_trend = result.trend
stl_seasonal = result.seasonal
stl_residual = result.resid

移除异常值后的间隔处理 #

移除异常值后若仍存在数据间隔（如非周末的停牌日），处理逻辑与上述一致：

• 若允许降频，转周度/月度数据；
• 若需保留原频率，填充缺失值；
• 或使用STL这类支持不规则序列的方法。

内容的提问来源于stack exchange，提问作者Toly