statsmodels.tsa.stattools.acf提供稳定、可复现的acf计算，默认无偏估计（除以n-k），需输入1d数组、显式设nlags、预处理nan；fft=true加速但要求nlags
用 statsmodels.tsa.stattools.acf 计算 ACF 最直接
不用自己写公式，statsmodels 提供了稳定、可复现的实现。它默认使用无偏估计（除以 n-k 而非 n），和 R 的 acf() 默认行为一致。
实操建议：
- 确保输入是 1D
numpy.ndarray或pandas.Series，多维数组会报ValueError: 1d array expected - 用
nlags显式指定最大滞后阶数，否则默认计算到min(10 * np.log10(nobs), nobs // 2)，可能远超你需要的范围 - 若数据含
NaN，先用dropna()清洗，否则acf会返回全NaN（不报错但结果无效） - 示例：
from statsmodels.tsa.stattools import acf import numpy as np x = np.random.randn(100) acf_vals = acf(x, nlags=20, fft=True) # fft=True 加速大样本计算
为什么 fft=False 时结果和手算有微小差异？
因为 acf 默认对均值做中心化处理，且分母用的是样本方差（n-1 自由度），而部分教材或手动实现可能用 n。这不是 bug，是统计惯例选择。
关键点：
- 若需与某篇论文/教材严格对齐，检查其分母定义；可传
unbiased=False切换为有偏估计（分母恒为n） -
fft=True仅影响计算速度，不影响数值精度，但要求nlags ，否则自动退回到 <code>fft=False - 当
x长度 fft 反而更慢，无需强制开启
用 pandas.Series.autocorr 只能算单个滞后
这个方法只支持 lag=1（可传其他整数，但底层仍调用 np.corrcoef，未做序列化中心化校正），不适合批量看 ACF 图或找显著滞后。
常见误用场景：
- 写
series.autocorr(lag=5)看 5 阶自相关 → 结果比acf(series, nlags=5)[5]略高，因未统一去均值 - 循环调用
autocorr算 0~20 阶 → 效率低，且各阶均值基准不一致，ACF 曲线会轻微扭曲 - 正确做法：坚持用
acf()一次性获取全部滞后值
画图前别忘了用 statsmodels.graphics.tsaplots.plot_acf
自己用 matplotlib 画 ACF 容易漏掉置信区间——而判断“哪个滞后显著不为 0”全靠它。
注意细节：
- 默认置信水平是 95%，对应 ±1.96/√n 的近似带宽；若需 99%，传
alpha=0.01 - 参数
lags控制横轴显示范围，和acf()的nlags不同：前者只影响绘图，后者影响实际计算长度 - 若数据量小（
n ），理论置信带偏宽，建议叠加 Ljung-Box 检验结果交叉验证
ACF 看似简单，但分母选择、均值处理、置信带推导方式这些细节，在不同库甚至同一库的不同参数下都会悄悄改变结果。尤其做模型定阶（比如选 AR(p) 的 p）时，差 0.02 的系数值可能就让你多拟合一个不必要参数。
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！
