如何用statsmodels MSTL获取月内日期季节性指数？

MSTL本身仅支持固定周期的季节性分解，而月份天数不固定（28/30/31天），无法直接定义统一的月内周期。针对你的需求，有三种可行方案：

方案1：将月内日期特征作为外生变量加入MSTL #

把月内日期相关的特征（比如每月第几天、是否月初/月末）提取为外生变量，让MSTL在分解小时、周度季节成分的同时，纳入月内波动的影响。这种方法最贴合MSTL的模型逻辑。

示例代码： #

import pandas as pd
from statsmodels.tsa.seasonal import MSTL
import matplotlib.pyplot as plt

# 假设你的数据是带DatetimeIndex的DataFrame，目标列名为'target'
# 提取月内日期特征
data['day_of_month'] = data.index.day
# 标记月初（前3天）和月末（后3天）
data['is_month_start'] = (data.index.day <= 3).astype(int)
data['is_month_end'] = (data.index.day >= data.index.days_in_month - 2).astype(int)

# 选择外生变量
exog_features = data[['day_of_month', 'is_month_start', 'is_month_end']]

# 执行MSTL分解，传入外生变量
res = MSTL(data['target'], periods=(24, 24*7), exog=exog_features).fit()

# 可视化分解结果
res.plot()
plt.tight_layout()
plt.show()

方案2：先MSTL分解，再单独提取月内波动指数 #

先完成小时、周度的MSTL分解，然后对剩余残差单独分析月内日期的影响，提取对应的季节性指数。这种方法灵活性高，不改动原有分解流程。

步骤与代码： #

1. 先执行基础MSTL分解：

res = MSTL(data['target'], periods=(24, 24*7)).fit()

2. 计算去除趋势、小时/周度季节成分后的残差：

residual = data['target'] - res.trend - res.seasonal['seasonal_24'] - res.seasonal['seasonal_168']

3. 按每月第几天统计平均残差，得到月内日期指数：

# 按日期分组计算平均残差，即月内各天的季节性指数
monthly_day_seasonal = residual.groupby(residual.index.day).mean()

# 可以将该指数合并回原数据，得到完整的季节性分解结果

方案3：用固定天数近似月周期（不推荐） #

如果对精度要求较低，可尝试用30天作为固定月周期（即24*30小时），但这种方法会因实际月份天数差异导致周期错位，分解结果存在偏差，仅适合应急场景。

示例代码： #

res = MSTL(data['target'], periods=(24, 24*7, 24*30)).fit()
res.plot()
plt.tight_layout()
plt.show()

总结 #

优先选择方案1或方案2：方案1将月内特征融入MSTL模型，结果更连贯；方案2分步处理，便于单独调整月内指数的计算逻辑。

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