时间序列分解：如何从日度数据中提取月度季节性

你的核心问题是seasonal_decompose默认会自动推断日度数据的周期（通常是周度7天或年度365天），而非你需要的月度内日度重复模式，导致分解结果不符合预期。要提取月度季节性，需要明确指定周期或使用更灵活的分解方法。

步骤1：数据预处理（必做） #

首先确保时间序列索引正确，且无缺失日期：

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

# 读取并处理数据（假设你的数据已存入df）
df['Date'] = pd.to_datetime(df['Date'])
df = df.set_index('Date')
# 填充缺失的日度日期
df = df.asfreq('D')
# 用前向填充补全日度数据的缺失值
df['Total'] = df['Total'].ffill()

方法一：修正seasonal_decompose的周期参数 #

指定period为月度周期（取数据中月份天数的中位数，适配不同月份的天数差异）：

# 获取数据中所有月份的天数，取中位数作为周期
month_days = df.index.daysinmonth.unique()
period = int(np.median(month_days))  # 通常为30或31

# 执行分解，指定周期
result = seasonal_decompose(df['Total'], model='additive', period=period)

# 查看分解结果
result.plot()

方法二：使用STL分解（更推荐） #

STL分解无需固定周期，更适合处理月度这种天数可变的季节性，同时能让趋势成分更平滑：

from statsmodels.tsa.seasonal import STL

# STL分解：seasonal设为月度天数（如31），trend设为更长窗口（如151，约5个月）以平滑趋势
stl = STL(df['Total'], seasonal=31, trend=151)
result = stl.fit()

# 查看分解结果
result.plot()

关键说明 #

• seasonal_decompose的period必须是固定值，因此用月份天数的中位数适配多数情况；
• STL的seasonal参数控制季节性成分的平滑窗口，设置为月度天数可精准捕捉月初到月末的增长-重置模式；
• 更长的trend窗口（如151天）会让趋势成分更平滑，将月度内的波动完全归入季节性成分，符合你的预期。

内容的提问来源于stack exchange，提问作者wltan