本文目录一览：
- ARIMA模型用Python分析需要安装什么库
- 如何使用Python超参数的网格搜索ARIMA模型
- [arima模型python 怎么看平稳性](#arima模型python 怎么看平稳性)
ARIMA模型用Python分析需要安装什么库
需要安装requests库
- requests库
用一句话总结就是：每个Python程序员都应该有它，爬取数据必备！ - scrapy
提取结构化数据而创建的一个爬虫框架，是目前Python社区最流行的爬虫框架之一。 - wxPython
Python的一个GUI（图形用户界面）工具。 - BeautifulSoup
XML和HTML的解析库，对于新手非常有用。 - Pygame
哪个程序员不喜欢玩游戏和写游戏？这个库会让你在开发2D游戏的时候如虎添翼。 - Pyglet
3D动画和游戏开发引擎。 - NumPy
为Python提供了很多高级的数学方法。 - pandas
在数据操作和数据分析方面，Pandas绝无敌手。 - Matplotlib
Matplotlib主要的作用，是用来生成绘图、直方图、功率谱、条形图、错误图、散点图等，是一个Python的2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。
如何使用Python超参数的网格搜索ARIMA模型
可以在Python中将其实现为一个新的独立函数，名为evaluate_arima_model()，它将时间序列数据集作为输入，以及具有p、d和q参数的元组作为输入。
数据集分为两部分：初始训练数据集为66%，测试数据集为剩余的34%。
arima模型python 怎么看平稳性
时间序列分析（一） 如何判断序列是否平稳 序列平稳不平稳，一般采用两种方法：
第一种：看图法
图是指时序图，例如（Eviews画的）： 分析：什么样的图不平稳？先说下什么是平稳，平稳就是围绕着一个常数上下波动。 看看上面这个图，很明显的增长趋势，不平稳。
第二种：自相关系数和偏相关系数
还以上面的序列为例：用Eviews得到自相关和偏相关图，Q统计量和伴随概率。 分析：判断平稳与否的话，用自相关图和偏相关图就可以了。 平稳的序列的自相关图和偏相关图不是拖尾就是截尾。截尾就是在某阶之后，系数都为0。怎么理解呢？看上面偏相关的图，当阶数为1的时候，系数值还是很大，0.914。二阶的时候突然就变成了0.050。后面的值都很小，认为是趋于0，这种状况就是截尾。再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为0。 自相关图既不是拖尾也不是截尾。以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。 下面是通过自相关的其他功能：
- 如果自相关是拖尾，偏相关截尾，则用AR算法。
- 如果自相关截尾，偏相关拖尾，则用MA算法。
- 如果自相关和偏相关都是拖尾，则用ARMA算法，ARIMA是ARMA算法的扩展版，用法类似。
不平稳，怎么办？
答案是差分。 还是上面那个序列，两种方法都证明它是不靠谱的、不平稳的。确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳为止。先来个一阶差分，上图。 从图上看，一阶差分的效果不错，看着是平稳的。
