Python做时间序列预测，绕不开ARIMA模型；说到ARIMA，最经典的入门案例就是洗发水销售预测。今天咱们不聊虚的，把原理、定阶、建模、预测、排查一路走下来，代码直接贴，大家复制就能跑起来。这篇东西更适合两类人看：一类是做数据分析或运营，手头有销售、流量这类按月或按天统计的指标，想用Python把预测做出来；另一类是刚接触机器学习但只做过回归、分类，对时间序列有点懵，想找一个最小闭环练手项目的人。用洗发水预测当例子有个好处：数据量小、结构简单、趋势明显，能让你把注意力放在ARIMA的建模逻辑上，而不是被几十个字段和复杂预处理劝退。
1. 先搞清楚ARIMA在解决什么问题
1.1 时间序列预测和普通预测的核心区别
很多初学者会问：时间序列预测不也是训练一个模型、然后预测一个数吗？和线性回归有什么区别？最大的区别在于样本的独立性假设。
普通回归默认样本之间是独立的，比如预测房价，每个房子的特征和价格之间是独立关系，打乱顺序不影响结果。时间序列数据则完全不是这样——今天卖了多少瓶洗发水，和昨天、前天、上个月都有关系，甚至和去年同月都有关系。这种“前后依赖”关系一旦被打乱，训练出来的模型基本没有意义。
所以时间序列预测的核心，不是找一堆特征和标签的对应关系，而是把时间线上的依赖结构拆出来，然后基于这种结构去外推未来。ARIMA就是做这件事的最经典、最成熟的方法之一。它能从历史数据里提取出三样东西：趋势、周期性扰动、随机噪声，然后用这三样去组合出未来的值。
1.2 AR、I、MA三件套到底在干嘛
ARIMA的全称是Autoregressive Integrated Moving Average，翻译过来是“自回归积分滑动平均”。名字很拗口，但拆开看就简单了：
- AR(p) 自回归部分：用过去p期的数值来预测当前值。可以理解成“惯性”——这个月销量高，下个月大概率也不会太低。公式上是当前值等于常数项加上前p期数值的加权和，再加上一个随机误差。
- I(d) 差分部分：对原始序列做d阶差分，让它变平稳。一阶差分就是每个月的销量减去上个月的销量，相当于不看绝对水平，只看“变化量”。差分的作用是把趋势脱掉，比如销量一直在涨，涨本身就带有规律，但建模时我们更关注“新增量”的变化。
- MA(q) 移动平均部分：用过去q期的预测误差来修正当前预测。你可以把它理解成“踩坑修正”——上个月预测误差大，说明有外部冲击，这个月要带上这个冲击的余波。
其实ARIMA的通俗解释就是：先用差分把不平稳的序列“熨平”，再用自回归抓住惯性，用滑动平均修正误差。三者结合起来，就是ARIMA(p,d,q)，p、d、q分别是三部分的阶数。
1.3 为什么拿洗发水销售当案例
洗发水销售数据是时间序列入门里非常经典的一个公开数据集，一般包含36个月的月度销量。这个选择有几个原因：
一是数据量小，只有36条，适合用来跑通流程，不会像生产环境的海量数据一样，光预处理就耗掉半天。二是趋势明显，早期销量低、后期销量高，能非常直观地体现“不平稳”和“差分”的作用。三是业务背景容易理解，销售预测本身就是时间序列应用最广的场景之一，从洗发水到空调、从股票到流量，本质上都是一套思路。
当然，我也要提前泼一盆冷水：正因为样本少，这个案例更适合学习，不适合直接代表高精度业务预测。真实业务数据里，缺失值、异常值、节日效应、渠道变化等因素都会影响模型效果，那些才是真正的难点。这些在后面的常见问题部分会展开讲。
2. 数据准备与平稳性检验
2.1 数据长什么样，怎么读进来
网上流传的shampoo-sales数据集通常是一个CSV文件，只有两列：月份和销量。月份通常是文本格式，例如“1-01”到“3-12”，或者直接就是序号；销量单位是“千件”。我习惯先读进来，再统一转成Pandas的时间索引，这样后面画图、切分、预测都方便。
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取数据，假设文件放在当前目录 df = pd.read_csv('shampoo-sales.csv') print(df.head()) print(df.info())读进来之后，建议给列改名，并把月份解析成时间序列索引：
df.columns = ['Month', 'Sales'] # 数据集默认从2001年1月开始，共36个月 df['Month'] = pd.date_range(start='2001-01-01', periods=len(df), freq='M') df.set_index('Month', inplace=True) plt.figure(figsize=(10, 4)) plt.plot(df['Sales']) plt.title('Shampoo Sales by Month') plt.show()画完图你会看到明显的上升趋势，尤其是后半段。这种带趋势的序列直接建模是不行的，因为均值在随时间变化，统计性质不稳定，预测结果很容易失真。
2.2 平稳性到底是什么意思，为什么非要它平稳
平稳性听起来很数学，其实可以这样理解：一个平稳时间序列的统计性质不随时间变化。具体表现是均值稳定、方差稳定，没有明显的趋势和周期性。你拿任何一段子序列去看，它的波动范围都差不多。
为什么ARIMA需要平稳？因为AR和MA模型本质上是在用过去的“稳定模式”外推未来。如果序列本身有上升趋势，那不同时间段的数据均值就不同，用早期数据推断晚期数据自然不靠谱。就像一个人跑步速度忽快忽慢，你很难根据前5分钟的平均速度预测最后5分钟的位移。
还有一个更实际的原因：非平稳序列容易产生“伪回归”现象，模型表面上看拟合得很好，R方很高，实际上只是同时抓住了两个上升趋势，并没有真实的因果关系。
2.3 用ADF检验判断，不够平稳就差分
判断是否平稳，最常用的工具是ADF检验（Augmented Dickey-Fuller Test）。它的原假设是“序列存在单位根，即不平稳”，所以当p值小于0.05时，我们有理由拒绝原假设，认为序列是平稳的。
from statsmodels.tsa.stattools import adfuller adf_result = adfuller(df['Sales']) print('ADF统计量:', adf_result[0]) print('p值:', adf_result[1]) print('临界值:', adf_result[4])在实际运行这个案例时，原始序列的p值通常会远大于0.05，说明确实不平稳。接下来做一阶差分，把每个月的增量提取出来：
df['Sales_diff'] = df['Sales'].diff().dropna() adf_result_diff = adfuller(df['Sales_diff'].dropna()) print('差分后p值:', adf_result_diff[1])一阶差分后，p值基本会小于0.05，说明差分序列平稳了。这时候d定为1。我见过不少初学者拿到任何数据都先做一阶差分，也不管原本是不是平稳，这是不对的。差分是有代价的：每差一次，就会损失一条样本，同时也会让原始水平的解释变弱。所以正确的做法是：先检验，不平稳再差，差到1阶或2阶为止，不要为了“看起来更像随机噪声”无限差分。
3. 定阶：p、d、q怎么确定
3.1 看ACF和PACF图的直觉方法
d确定之后，接下来要定p和q。最传统的方法是看自相关函数ACF图和偏自相关函数PACF图。
- ACF（自相关函数）描述的是序列和它滞后k期之间的相关系数。
- PACF（偏自相关函数）描述的是剔除了中间滞后项影响后，序列和滞后k期之间的偏相关系数。
判断经验是：
| 特征 | ACF表现 | PACF表现 | 适合模型 |
|---|---|---|---|
| AR(p) | 拖尾（逐渐衰减） | 在p阶后截尾（突然为0） | AR(p) |
| MA(q) | 在q阶后截尾 | 拖尾 | MA(q) |
| ARMA(p,q) | 拖尾 | 拖尾 | ARMA(p,q) |
画图代码很简单：
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 对差分序列画图 fig, axes = plt.subplots(2, 1, figsize=(10, 8)) plot_acf(df['Sales_diff'].dropna(), lags=12, ax=axes[0]) plot_pacf(df['Sales_diff'].dropna(), lags=12, ax=axes[1]) plt.show()不过说实话，现实数据往往没有教科书那么标准。洗发水这个例子更是如此，ACF和PACF的截尾特征不是特别清晰，不同人看图会定出不同阶数。所以我的习惯是：把图当作初步参考，再用信息准则做一次自动搜索，两边交叉验证。
3.2 用AIC自动网格搜索，省心还严谨
AIC（赤池信息准则）是一个同时衡量拟合效果和模型复杂度的指标。它不是越大越好，而是越小越好。AIC本质上会对参数多的模型施加惩罚，避免我们一味追求“拟合完美”而把模型搞得越来越复杂。
我常用的做法是在一个合理范围内暴力搜索所有p、q组合，选出AIC最小的那个：
from statsmodels.tsa.arima.model import ARIMA from itertools import product import warnings warnings.filterwarnings('ignore') best_aic = float('inf') best_order = None best_model = None # p、q都取0到4，d按前面检验固定为1 for p_val, q_val in product(range(0, 5), range(0, 5)): try: model = ARIMA(df['Sales'], order=(p_val, 1, q_val)) model_fit = model.fit() if model_fit.aic < best_aic: best_aic = model_fit.aic best_order = (p_val, 1, q_val) best_model = model_fit except: continue print('最佳阶数:', best_order) print('最佳AIC:', best_aic)这段代码把p和q都限制在0到4之间，已经是比较务实的范围。洗发水销售数据的最佳结果常见是ARIMA(1,1,2)或ARIMA(2,1,1)之类，AIC会落在500到600之间。如果你把p、q范围放大到0到10，理论上能找到AIC更小的模型，但很容易过拟合，预测新数据效果反而更差。
3.3 定阶时的三条经验法则
第一，不要盲信AIC。AIC值差小于2时，两个模型解释力差别不大，这时应该选参数更少的模型。比如ARIMA(1,1,2)和ARIMA(2,1,2)只差一个AR参数，AIC只差0.5，那我会选前者。
第二，差分阶数d不宜过高。实际经验里d=0或1就覆盖了绝大多数问题，d=2已经算比较极端。差分的目的是把序列变成平稳，不是追求“差分到像白噪声为止”。差过分了，反而会把原本可预测的信息也差掉。
第三，模型阶数要和业务逻辑匹配。如果数据有季节性（比如洗发水销量每年都有固定旺季），那ARIMA里的p、q可能不足以捕捉这种周期，你需要考虑SARIMA或者在定阶时结合业务判断。这节的网格搜索只能给你一个统计上的“建议”，最终判断还是要看残差检验和实际预测效果。
4. 模型拟合与预测实操
4.1 划分训练集和测试集，顺序不能乱
时间序列建模和普通机器学习最大的流程差异，就在于数据划分。我们不能用随机打乱的方式切分数据集，因为时间顺序本身就是信息的一部分。常见做法是拿前一段训练，后一段验证预测效果。
洗发水数据一共36个月，我习惯拿前30个月训练、后6个月测试，这样既保留足够训练样本，又能检验模型在稍长周期上的表现：
train = df['Sales'].iloc[:-6] test = df['Sales'].iloc[-6:] print('训练集样本数:', len(train)) print('测试集样本数:', len(test))这里有个容易混淆的概念：机器学习里训练集通常要覆盖更丰富的样本分布，时间序列也一样，训练集必须包含一个完整的业务周期，比如有旺季也有淡季。如果训练集中恰好只包含上升段，那模型学到的主要是趋势，测试集中一旦出现波动，误差会非常大。
4.2 拟合ARIMA并检查残差
定好阶数后，直接拟合：
model = ARIMA(train, order=best_order) model_fit = model.fit() print(model_fit.summary())summary里能看到各项系数的显著性。看回归系数旁边的P值，如果P值远大于0.05，说明这项对应的参数可能没必要存在，可以考虑减少阶数。但这也不是绝对的，有时候保留一项能让模型更稳定，尤其是短期预测。
拟合完必须检查残差。残差是模型没有解释掉的那部分信息，如果残差还有明显模式，说明模型没把序列里的结构提取干净。检查方法有两个：
一是看残差图，理想状态下残差应该像随机噪声，在0附近上下波动，没有趋势或周期性。
resid = model_fit.resid plt.figure(figsize=(10, 4)) plt.plot(resid) plt.title('Residuals') plt.show()二是做Ljung-Box白噪声检验，原假设是残差序列没有自相关，也就是白噪声。p值大于0.05时，说明残差没有显著自相关，模型通过检验。
from statsmodels.stats.diagnostic import acorr_ljungbox lb_test = acorr_ljungbox(resid, lags=[10], return_df=True) print(lb_test)如果残差检验不过，不要急着出预测结果，回头调p、q或者考虑加季节项。
4.3 预测未来并评估效果
拟合完成后，用训练好的模型预测测试集对应的6个月：
forecast = model_fit.forecast(steps=len(test)) # 转成Series方便对比 forecast_series = pd.Series(forecast, index=test.index) print(forecast_series)然后和真实值对比，计算RMSE和MAE：
from sklearn.metrics import mean_squared_error, mean_absolute_error rmse = np.sqrt(mean_squared_error(test, forecast_series)) mae = mean_absolute_error(test, forecast_series) print('RMSE:', rmse) print('MAE:', mae)RMSE的单位和销量一致，洗发水销量本身在100到500之间，RMSE落在几十左右都算可接受。但更重要的是看相对误差，如果RMSE动辄几百，说明预测完全不能用。
画图对比预测值和真实值：
plt.figure(figsize=(10, 5)) plt.plot(train.index, train, label='Train') plt.plot(test.index, test, label='Test') plt.plot(forecast_series.index, forecast_series, label='Forecast') plt.legend() plt.title('ARIMA Forecast vs Actual') plt.show()最后，可以用全部36个月数据重新训练模型，预测未来12个月，同时拿到置信区间：
final_model = ARIMA(df['Sales'], order=best_order).fit() future_forecast = final_model.get_forecast(steps=12) future_mean = future_forecast.predicted_mean future_ci = future_forecast.conf_int() print(future_mean)get_forecast相比forecast的好处是能直接给出置信区间，方便在报告中画出上下界，让业务方知道预测的波动范围在哪里。
5. 实际使用中的几个坑
5.1 数据不平稳，一阶差分后还是不平稳怎么办
这类问题在小样本数据里很常见，尤其当序列存在单调增长又突然变缓时，单次差分可能不够。解决办法先试二阶差分，再检验一次。如果二阶差分后平稳，d=2也是可以的。
如果二阶差分还是不理想，考虑对原数据做对数变换或者Box-Cox变换。对数变换能压缩高值部分的波动，让方差更稳定，特别是销量这种可能指数增长的数据。做法是：
import numpy as np df['LogSales'] = np.log(df['Sales']) # 再对LogSales做ADF检验和差分变换之后模型预测得到的是对数值，最终需要exp还原，但还原后要记得还原的是中位数意义上的预测，和原始量纲会有一点偏差。
5.2 预测结果画出来像一条水平直线，是不是模型坏了
不是模型坏了，这是ARIMA在小样本、无强季节性数据下的常见表现。如果你拟合的是一个接近随机游走的模型（比如p、q很小，AR系数接近1），那么多步预测的期望值会快速收敛到某个均值，画出来就像一条横线。
这背后其实是无条件预测的数学性质：在只有过去信息、没有未来外部变量的情况下，长期预测会回归到序列的均衡水平。短期预测通常还有变化，拉到12个月以上就平了。
要改善这种情况，要么缩短预测步长，只预测3到6个月；要么在拟合时加入趋势项，例如：
model = ARIMA(train, order=best_order, trend='c')trend='c'表示允许模型包含一个常数漂移项，能帮助保持一定趋势。如果数据有明显季节性，还得换SARIMA，而不是死磕ARIMA。
5.3 残差检验发现还有自相关，怎么排查
残差不是白噪声，说明模型没有把序列中所有的结构都吸干净。这时候按顺序做三件事：
第一，检查使用的p、q阶数是不是太小。网格搜索得到AIC最小的结果，有时会偏向简洁，但残差检验会暴露问题。直接增加p或者q，再看AIC和残差，找到一个两者平衡的点。
第二，确认是否遗漏了季节性。月度销售数据往往有年度周期，ARIMA只能处理非季节性部分。如果ACF在滞后12、24处明显突出，说明有季节性，需要试试SARIMA模型，例如SARIMA(1,1,1)(1,1,1,12)。
第三，考虑增加外生变量。比如洗发水销售可能受促销活动、节假日、同类竞品上市影响，如果这些变量有记录，可以改用ARIMAX或者SARIMAX，把这些外部因素作为回归项放进去。
5.4 自动定阶很慢或者跑出来一个离谱的模型
网格搜索本身很快，但如果p、q范围设太大，比如各取0到20，组合数有400个，每个都拟合一遍，哪怕数据只有36条，也要等一阵子。更重要的是，范围太大容易选到高维模型，导致预测时数值不稳定，置信区间特别宽。
我的经验是：p和q都只搜索0到4，最多0到7；d固定为1或2。如果搜索出来的最佳模型参数非常大，比如ARIMA(7,1,7)，先怀疑是数据量不够或者存在异常值，不是模型越复杂越能预测准。
另外，如果在真实业务中遇到这种小样本销售预测，还可以试试用滚动预测（walk-forward validation）来评估。也就是每次只用截止到t期的数据预测t+1期，然后逐步推进，这样更贴近业务端的实际使用方式，而不是一次性预测6个月然后干等。ARIMA的模型更新成本很低，非常适合这种滚动预测方式。
最后说一点个人体会。ARIMA不是预测模型的终点，但对于样本量有限、单变量、有趋势和少量波动的数据，它永远是快速上场、容易解释的首选。我每次做这类预测，都会坚持三步：先画序列图看趋势，再做ADF检验定差分，拟合后一定看残差和实际预测效果，而不是只看AIC。
洗发水这个例子，最大的价值不是让你记住某个特定阶数，而是让你把“平稳性检验—定阶—拟合—残差分析—预测评估”这一整套时序建模框架跑通。后面遇到真实业务数据，不管是转战SARIMA、Prophet，还是LSTM，底层思路都是一样的：预测的前提是先理解时间线的结构，而不是盲目套模型。希望对正在入门时间序列的你有所帮助。
