seasonal_decompose需手动指定period、处理缺失值和异常值，加法模型适用于季节波动稳定的数据，乘法模型要求y>0且适合振幅随趋势增长的数据。
Statsmodels 的 seasonal_decompose 能做经典季节性分解（加法/乘法），但默认不支持自适应周期、不能处理缺失值、对异常值敏感——用之前必须手动确认周期和数据质量。
怎么选加法还是乘法模型？看趋势与季节波动是否随均值变化
加法模型适用于季节波动幅度基本稳定的情况，比如月度气温数据；乘法模型适合季节振幅随趋势增长的数据，比如零售销售额。如果原始序列存在接近零或负值，seasonal_decompose 会直接报错 ValueError: Multiplicative seasonality is not appropriate for zero and negative values. ——此时只能选 model="additive"，或先对数据做平移/变换。
- 快速判断：画图观察
plt.plot(y)，若峰谷间距明显变宽，优先试model="multiplicative" - 乘法模型内部会对数据取 log，所以要求所有
y > 0；加法模型无此限制 - 如果不确定，两个都跑一遍，对比残差的平稳性和自相关图（
plot_acf(resid)）
周期 period 参数必须显式指定，不能靠采样频率自动推断
Statsmodels 不会从 DatetimeIndex 的频率（如 "M" 或 "D"）自动识别季节周期。例如月度数据要设 period=12，周度数据是 period=52，日度数据若存在周周期则为 period=7。设错会导致趋势项扭曲、季节项错位。
- 常见错误：
period=1（默认值）→ 分解完全失效，季节项全为零 - 高频数据（如每小时）若存在日周期，
period=24；若有周周期叠加，需先用 STL 或其他方法 - 用
pd.infer_freq(df.index)辅助判断频率，但最终period值仍需人工映射（如 "M" → 12）
缺失值和异常值会让分解结果严重失真
seasonal_decompose 内部使用移动平均（MA）平滑趋势，一旦遇到 NaN 就中断计算，导致整个趋势项变成 NaN。即使只有一两个异常点（比如某月销量突增 10 倍），也会拉高局部 MA，污染后续季节估计。
- 必须在调用前清洗：
y = y.dropna()或插值（y.interpolate(method="linear")） - 异常值建议用
scipy.stats.zscore或 IQR 法识别后替换为邻近均值，不要直接删除（会破坏时序连续性） - 若数据天然稀疏（如部分月份无记录），考虑改用
STL（statsmodels 0.12+ 支持）并设置robust=True
分解结果不是模型，不能直接用于预测
分解输出的 trend、seasonal、resid 是确定性成分，不带置信区间，也不拟合任何参数。它更适合诊断（比如发现季节模式是否稳定）、辅助建模（如将 seasonal 作为特征输入 SARIMAX），而不是替代预测模型。
- 别把
resid当白噪声直接扔掉——先检验其 ACF/Q-statistic（acorr_ljungbox(resid, lags=10)） - 若
resid明显自相关，说明分解没捕获全部结构，应换用STL或加入 ARIMA 残差修正 - 注意：
seasonal_decompose返回对象的.plot()方法不支持中文标签，需手动 set_title
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！
