ARIMA模型拟合前必须进行平稳性检验，因ARIMA要求序列平稳（均值、方差不随时间系统变化）；月度销售额具趋势和季节性，需先用ADF检验（如statsmodels的adfuller）判断p值是否显著。
ARIMA模型拟合前必须做平稳性检验
ARIMA不是万能的，直接套用ARIMA(data, order=(1,1,1))大概率报错或预测失真。核心前提是时间序列得是平稳的——均值、方差不随时间系统变化。月度销售额天然带趋势和季节性，adf_test（Augmented Dickey-Fuller）是绕不开的第一步。
实操建议：
- 用
statsmodels.tsa.stattools.adfuller跑检验，重点关注p-value是否d=2常导致过差分，残差自相关变强 - 画出原始序列、一阶差分后序列的
plot_acf和plot_pacf，观察拖尾/截尾特征，辅助定p和q - 月度数据大概率存在年周期（12个月），若差分后仍有明显季节峰，说明需要SARIMA，不是纯ARIMA
order参数不能靠猜，要用AIC/BIC自动搜索
手动试(0,1,1)、(1,1,0)、(1,1,1)组合效率低，且容易陷入局部最优。auto_arima（来自pmdarima库）是更可靠的选择，它内部用网格搜索+信息准则筛选最优order。
注意点：
-
auto_arima默认开启seasonal=False，月度数据务必设seasonal=True并传m=12，否则会漏掉季节项 - 设
max_p=5、max_q=5足够覆盖常见场景，再大不仅慢，还易过拟合；stepwise=True可加速收敛 - 如果训练集太小（比如auto_arima可能选不出合理结果，这时得回退到人工看ACF/PACF图
预测时必须处理索引对齐和频率推断
用model.predict()或model.forecast()后，结果常出现索引错位或缺失月份，尤其当原始index是datetime但没设freq时。Pandas会误判下期时间戳，导致画图时横轴乱跳。
python-flask-vue-creator
下载
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
关键操作：
- 建模前确保
data.index是DatetimeIndex，且调用data.asfreq('MS')（Month Start）显式指定频率，避免隐式推断出错 - 预测时用
forecast(steps=6)比predict(start=..., end=...)更安全；若必须用predict，start和end必须是真实存在的日期索引位置，不能填数字 - 把预测结果转成
pd.Series后，立刻用.asfreq('MS')重设频率，再.plot()才不会漏月或重复
残差诊断比预测值本身更重要
即使RMSE看着不错，若残差不服从白噪声（即非随机），模型就是不可信的。月度销售数据常因促销、节假日等产生结构性残差，单纯看误差大小会掩盖问题。
检查清单：
- 画
residuals.plot()看是否有趋势或明显波动簇；跑acorr_ljungbox(residuals, lags=12)，p-value > 0.05才说明无显著自相关 - 直方图+
stats.normaltest验证正态性——ARIMA假设残差近似正态，严重偏态时需考虑Box-Cox变换 - 如果残差在某几个月份持续偏高（比如每年12月），说明模型没捕获季节性突变，应转向SARIMAX加外生变量（如是否含春节、是否促销）
月度销售额预测真正卡点不在代码几行，而在差分是否恰到好处、季节结构是否被显式建模、以及残差里藏着的真实业务信号有没有被忽略。
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！
