摆脱 NaN 值的 STL 分解答案

【问题标题】：STL decomposition getting rid of NaN values摆脱 NaN 值的 STL 分解
【发布时间】：2019-02-24 15:15:20
【问题描述】：

对以下链接进行了调查，但没有为我提供我正在寻找/解决问题的答案：First、Second。

由于机密性问题，我无法发布实际的分解，我可以显示我当前的代码并给出数据集的长度，如果这还不够，我会删除这个问题。

import numpy as np
from statsmodels.tsa import seasonal
def stl_decomposition(data):
    data = np.array(data)
    data = [item for sublist in data for item in sublist]
    decomposed = seasonal.seasonal_decompose(x=data, freq=12)

    seas = decomposed.seasonal
    trend = decomposed.trend
    res = decomposed.resid

在图中，它显示它根据加法模型正确分解。然而，趋势和残差列表具有前 6 个月和最后 6 个月的 NaN 值。当前数据集的大小为 10*12。理想情况下，这应该只适用于 2 年。

这还是第一个链接中说的太小了吗？ IE。我需要自己推断加分吗？

编辑：似乎在趋势和残差的两端，频率的一半总是 NaN。减小数据集的大小也是如此。

【问题讨论】：

标签： python-3.x statsmodels

【解决方案1】：

根据下面的参数定义，将 extrapolate_trend 设置为非 0 会使趋势估计恢复为不同的估计方法。当我有一些估计的观察结果时，我遇到了这个问题。

extrapolate_trend : int or 'freq', optional
    If set to > 0, the trend resulting from the convolution is
    linear least-squares extrapolated on both ends (or the single one
    if two_sided is False) considering this many (+1) closest points.
    If set to 'freq', use `freq` closest points. Setting this parameter
    results in no NaN values in trend or resid components.

【讨论】：

【解决方案2】：

根据这个Github 链接，另一个用户也有类似的问题。他们“修复”了这个问题。为了避免 NaN，可以传递一个额外的参数。

decomposed = seasonal.seasonal_decompose(x=data, freq=12, extrapolate_trend='freq')

然后它将使用线性最小二乘法来最好地近似值。 (Source)

显然，这些信息确实在他们的文档中并且解释清楚，但我完全错过/误解了它。因此，我正在为遇到相同问题的人回答我自己的问题，以挽救他们的冒险经历。

【讨论】：