如何在pandas中创建自定义dekad频率以适配statsmodels时序预测需求

方法1：注册全局自定义频率类（推荐） #

通过继承Pandas的DateOffset类并注册，可以实现原生支持dekad频率的所有操作，包括生成序列、重采样、频率赋值等。

import pandas as pd
from pandas.tseries.offsets import DateOffset, MonthEnd
from pandas.tseries.frequencies import register_offset

class Dekad(DateOffset):
    _attributes = ["n"]
    
    def apply(self, dt):
        n = self.n
        # 计算当前日期所属旬位
        if dt.day <= 10:
            curr_dekad = 1
        elif dt.day <= 20:
            curr_dekad = 2
        else:
            curr_dekad = 3
        
        # 换算总旬数计算偏移后位置
        total_dekad = (dt.year - 1) * 36 + (dt.month - 1) * 3 + curr_dekad + n - 1
        target_year = total_dekad // 36 + 1
        remaining = total_dekad % 36
        target_month = remaining // 3 + 1
        target_dekad = remaining % 3 + 1
        
        # 生成目标日期，自动处理大小月、闰年
        if target_dekad == 1:
            return pd.Timestamp(year=target_year, month=target_month, day=10)
        elif target_dekad == 2:
            return pd.Timestamp(year=target_year, month=target_month, day=20)
        else:
            return pd.Timestamp(year=target_year, month=target_month, day=1) + MonthEnd(1)

# 注册频率，别名为Dkd，避免和日频率D冲突
register_offset(Dekad, "Dkd")

注册完成后即可像原生频率一样使用：

• 生成连续dekad时间序列：pd.date_range(start="2020-01-10", end="2023-12-31", freq="Dkd")
• 给现有时间索引赋值频率：df.index = df.index.asfreq("Dkd")

方法2：临时适配方案（无需注册全局频率） #

如果不想修改全局频率配置，可以直接手动为合法的dekad索引赋值频率属性，满足Statsmodels的入参要求：

1. 先验证现有索引是否完全符合dekad间隔规则

def validate_dekad_index(idx):
    expected_idx = pd.date_range(start=idx[0], periods=len(idx), freq=Dekad(1))
    return all(idx == expected_idx)

2. 验证通过后直接赋值频率：

# 确认索引无缺失后执行
df.index.freq = Dekad(1)

适配效果验证 #

训练HoltWinters模型时可以通过以下代码确认频率被正确识别：

from statsmodels.tsa.holtwinters import ExponentialSmoothing
model = ExponentialSmoothing(df, freq="Dkd")
print(model.freq) # 输出<Dekad>即代表识别成功

注意：如果原始索引存在缺失的dekad节点，asfreq方法会自动补全缺失位置并赋值NaN，可根据业务需要选择填充缺失值或清洗异常节点后再训练模型。

内容的提问来源于stack exchange，提问作者Tommy Lees