Tendencia/Sazonalidade/Aleatoriedade e Previsão em Series Temporais (Python)

import pandas as pd

import numpy as np

import matplotlib.pylab as plt

from statsmodels.tsa.seasonal import seasonal_decompose

#base = pd.read_csv('adultos.csv', sep = ';')

#base.head()

base = pd.read_csv('adultos.csv', sep = ';')

dateparse = lambda dates:pd.datetime.strptime(dates,'%Y-%m')

base = pd.read_csv('adultos.csv', sep = ';', parse_dates = ['data'], index_col = 'data', date_parser = dateparse)

#para trabalhar com serie temporal é recomendados transformar o type Data-frame em Type Series - ts, não precisa obrigatoriamente usar este nome

ts = base['SVL']

plt.plot(ts)

#decomposicao = seasonal_decompose(ts, model='additive')

decomposicao = seasonal_decompose(ts)

tendencia = decomposicao.trend

sazonal = decomposicao.seasonal

aleatorio = decomposicao.resid

plt.plot(sazonal)

plt.plot (tendencia)

plt.plot(aleatorio)

plt.subplot(4,1,1)

plt.plot(ts, label= 'original')

plt.legend(loc = 'best')

plt.subplot(4,1,2) #o ultimo é o local do bloco, se não alterar vai sobreescrever/ o do meio é o tamanho do grafico (maior fica menor)

plt.plot(tendencia, label= 'tendencia')

plt.legend(loc = 'best')

plt.subplot(4,1,3)

plt.plot(sazonal, label= 'sazonal')

plt.legend(loc = 'best')

plt.subplot(4,1,4)

plt.plot(aleatorio, label= 'Aleatório')

plt.legend(loc = 'best')

#layout

plt.tight_layout()

#Previsão

import pandas as pd

import matplotlib.pylab as plt

from statsmodels.tsa.arima_model import ARIMA

from pyramid.arima import auto_arima

base = pd.read_csv('adultos.csv', sep = ';')

dateparse = lambda dates:pd.datetime.strptime(dates,'%Y-%m')

base = pd.read_csv('adultos.csv', sep = ';', parse_dates = ['data'], index_col = 'data', date_parser = dateparse)

ts = base['SVL']

plt.plot(ts)

ts.mean() #visualizar a média

ts['1960-01-01':'1960-12-01'].mean() #média do ultimo an

media_movel = ts.rolling(window = 12).mean() #pode dar nulo porque ele precisa dos "12" dados anteriores para dar resultado

ts[0:12].mean() #posicao 0 a posicao 12

ts[1:13].mean()

plt.plot(ts)

plt.plot(media_movel, color = 'red')

#não tem biblioteca, então vamos criar

previsoes = []

for i in range(1,13):

#print(i)

superior = len(media_movel)-i

inferior = superior - 11

#print(inferior)

#print(superior)

#Print('---')

previsoes.append(media_movel[inferior:superior].mean())

#a ordem está inversa, então para virar

previsoes = previsoes[::-1] #: para não mecher nas linhas

plt.plot(previsoes)

#agora o arrima com biblioteca ARIMA P(numero dos termos auto regressivos)  Q (numero da media movel Dnumero de não sazonais

modelo = ARIMA(ts, order=(2,1,1))#ts é a serie teporal order (pqd)

modelo_treinado = modelo.fit()

modelo_treinado.summary()

previsoes = modelo_treinado.forecast(steps = 12)[0] #previsões para frente que quer fazer ex12 e [0] para retirar dados a mais

eixo = ts.plot()

modelo_treinado.plot_predict('2005-12-01', '2006-12-01')

Ta meio ruim, mas são os dados que eu usei.