seasonal_decompose可快速实现加法/乘法季节性分解，但必须输入带明确频率的pandas.Series，否则因无法识别周期而报错ValueError；其核心依赖索引freq推断period，故需用pd.to_datetime+DatetimeIndex+asfreq显式指定频率。
直接说结论：用 statsmodels.tsa.seasonal.seasonal_decompose 可以快速做加法/乘法模型的季节性分解，但必须保证输入是带明确频率的 pandas.Series，否则会报错或结果失真。
为什么 seasonal_decompose 一跑就报 ValueError: You must specify a freq or x.index.freq
这是最常见卡点。函数内部依赖时间索引的频率信息（如 'M' 表示月度、'D' 表示日度）来判断周期长度（period）。如果你传入的是普通数组、没设索引的 DataFrame，或者索引是 object 类型（比如字符串日期），它根本识别不了时间规律。
- ✅ 正确做法：先用
pd.to_datetime()转日期列，再设为DatetimeIndex，并用.asfreq()显式指定频率（哪怕数据有缺失） - ❌ 错误做法：直接传
df['value'].values或df.set_index('date_str')（没转 datetime） - ⚠️ 注意：
asfreq()会插入NaN填补空缺，不影响分解逻辑，但比用resample().mean()更轻量
model='additive' 和 model='multiplicative' 怎么选
本质是看趋势和季节波动是否随均值线性变化。如果序列里有明显零值、负值，只能选 'additive'；如果波动幅度随水平升高而变大（比如销售额旺季翻倍、淡季只增10%），优先试 'multiplicative'。
- ? 加法模型：原始 = 趋势 + 季节 + 残差，适合波动幅度稳定的数据
- ? 乘法模型：原始 = 趋势 × 季节 × 残差，要求所有值 > 0，且季节因子均值 ≈ 1
- ? 验证方法：画出分解后的
result.seasonal，加法模型下它围绕 0 波动，乘法模型下它围绕 1 波动
period 参数不写会怎样？写多少才对
如果不传 period，函数会尝试从索引频率自动推断：月度数据默认 period=12，日度数据默认 period=7（周周期）。但这个自动推断经常不准——比如你有小时级数据想按天分解（period=24），或季度数据（period=4），就必须手动指定。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- ? 月度数据：
period=12 - ? 周度数据（按年周期）：
period=52（别用 48 或 53，除非你确定业务周期） - ⏰ 小时数据（按日周期）：
period=24 - ? 提示：用
df.index.freq查当前频率，再查对应周期表，比凭感觉写更可靠
分解结果怎么看？残差里还有周期就是没分干净
分解后得到 result.trend、result.seasonal、result.resid 三个 Series。重点检查 resid：如果它明显还有重复波形（比如每 12 个月又起一个峰），说明 period 设小了，或原始数据存在多重季节性（这时 seasonal_decompose 就不够用了，得换 STL 或 tbats）。
- ?️?️ 快速诊断：对
result.resid.dropna()做自相关图（plot_acf），在 lag=period 处仍有显著峰值，就是分解不彻底 - ⚡ 性能提醒：该函数底层用移动平均平滑，对短序列（
len ）会裁掉首尾，trend长度变短，别拿它直接做预测 - ? 替代方案：需要更强鲁棒性或处理异常值，改用
statsmodels.tsa.seasonal.STL，它用鲁棒局部回归，不怕离群点
真正麻烦的不是调用函数，而是确认你的索引频率对不对、period 和业务周期对不对齐、以及残差里还藏着没被挖出来的结构——这些地方错了，后面建模全白搭。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
