季節性分解
你可以把時間序列視為由趨勢、季節性與殘差三個成分所組成。當你要建立模型時，這會是很好的思考方式。若你知道時間序列的週期，就能把它分解成這些成分。
在這個練習中，你將分解一個時間序列，內容是美國每頭乳牛的每月產奶量。這能讓你更清楚地看見趨勢與季節循環。由於資料是以月為單位，你可以推測季節性可能是 12 個時間期，不過並非永遠如此。
產奶量時間序列已載入到 milk_production DataFrame，並可在你的環境中使用。
本練習屬於課程
Python 中的 ARIMA 模型
練習說明
- 從
statsmodels.tsa.seasonal匯入seasonal_decompose()函式。 - 使用加法模型，並以 12 個月為週期，對
milk_production的'pounds_per_cow'欄位進行分解。 - 繪製分解結果。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import seasonal decompose
from ____ import ____
# Perform additive decomposition
decomp = seasonal_decompose(___,
period=____)
# Plot decomposition
____
plt.show()