Python中分解时间序列：如何获取无缺失趋势分量用于在线变点检测？

我需要对每日时间序列的趋势分量做在线变点检测，避免季节性因素导致误报。但用statsmodels的seasonal_decompose和STL方法时，因为底层用了中心化移动平均（CMA），趋势分量的首尾会出现NaN值。我有4年多的每日数据，需要每日更新的完整趋势分量来检测变化，但目前哪怕数据包含2个以上周期，趋势分量首尾仍各有6个月的NaN，求问题原因和替代方法。

当前使用的代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

ts = df['value'].values
result = seasonal_decompose(ts, model='additive', period=365)  # 年度季节性

trend_component = result.trend

valid_indices = ~np.isnan(trend_component)
trend_component_np = trend_component[valid_indices].reshape(-1, 1)

detector = rpt.Pelt(model="l2").fit(trend_component_np)
change_points = detector.predict(pen=150)

中心化移动平均（CMA）的计算逻辑导致了首尾NaN：

• 对于周期为365的年度季节性，seasonal_decompose先计算365天的简单移动平均（SMA），再对这个SMA做2期移动平均来中心化，最终得到趋势分量。
• 计算开头的趋势值时，需要前182天左右（(365+1)/2≈182）的前置数据；计算结尾的趋势值时，需要后182天的后置数据。
• 这是CMA方法的固有缺陷，哪怕有4年数据，首尾的182天仍然没有足够的相邻数据完成计算，因此会生成NaN，和数据包含的周期数量无关。

以下是几种能生成完整趋势分量、适配每日在线更新的方法：

1. 简单移动平均（SMA） #

直接用季节周期长度作为窗口计算SMA，替代CMA，不会产生NaN，计算简单：

# 方式1：中心化窗口，首尾仍有少量NaN，但比CMA少很多
trend_component = df['value'].rolling(window=365, center=True).mean()
# 方式2：非中心化窗口，仅开头364天有NaN，适合在线更新时关注最新数据
trend_component = df['value'].rolling(window=365, center=False).mean()

• 优点：计算快，非中心化模式下无尾部NaN，每日增量更新成本低。
• 缺点：平滑效果弱于CMA，对异常值敏感度较高。

2. 指数加权移动平均（EWMA） #

依赖权重衰减逻辑，不需要固定窗口，自然覆盖首尾数据，适合在线更新：

# span参数模拟365天的平滑效果，span≈2/(alpha+1)，alpha为衰减系数
trend_component = df['value'].ewm(span=365, adjust=False).mean()

• 优点：无NaN生成，更新速度快，对近期数据赋予更高权重，适配渐变趋势。
• 缺点：需要调整span参数匹配季节性周期，平滑逻辑和CMA差异较大。

3. LOWESS局部加权回归 #

statsmodels提供的非参数拟合方法，可拟合非线性趋势，全程无NaN：

from statsmodels.nonparametric.smoothers_lowess import lowess

# frac参数控制平滑程度，0.2表示用20%的数据拟合每个点
trend_component = lowess(df['value'].values, df.index, frac=0.2, return_sorted=False)
trend_component = pd.Series(trend_component, index=df.index)

• 优点：无NaN，能拟合复杂非线性趋势，对异常值鲁棒性强。
• 缺点：计算量大于移动平均，在线更新时需重新拟合全序列（或做增量拟合）。

4. Prophet模型 #

Facebook的Prophet模型可自动分解趋势、季节性与节假日效应，输出完整趋势分量，支持在线更新：

from prophet import Prophet

# 转换为Prophet要求的格式
prophet_df = df.reset_index().rename(columns={'date': 'ds', 'value': 'y'})
model = Prophet(yearly_seasonality=True)
model.fit(prophet_df)
# 提取趋势分量
trend_component = model.predict(prophet_df)['trend'].values
trend_component = pd.Series(trend_component, index=df.index)

• 优点：自动处理季节性，输出完整趋势，支持增量更新，对缺失值鲁棒。
• 缺点：模型复杂度高，计算时间长于移动平均类方法。

无论用哪种方法得到无NaN的趋势分量，都可直接传入变点检测代码，无需再过滤NaN：

# 假设trend_component是无NaN的Series
detector = rpt.Pelt(model="l2").fit(trend_component.values.reshape(-1, 1))
change_points = detector.predict(pen=150)

内容的提问来源于stack exchange，提问作者Nikita Singh