如下所示：
from statsmodels.tsa.stattools import adfuller
print(adfuller(data))
(-8.14089819118415, 1.028868757881713e-12, 8, 442, {"1%": -3.445231637930579, "5%": -2.8681012763264233, "10%": -2.5702649212751583}, -797.2906467666614)
第一个是adt检验的结果，简称为T值，表示t统计量。
第二个简称为p值，表示t统计量对应的概率值。
第三个表示延迟。
第四个表示测试的次数。
第五个是配合第一个一起看的，是在99%，95%，90%置信区间下的临界的ADF检验的值。
第一点，1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较，ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设。本数据中，adf结果为-8， 小于三个level的统计值
第二点，p值要求小于给定的显著水平，p值要小于0.05，等于0是最好的。本数据中，P-value 为 1e-15,接近0.
ADF检验的原假设是存在单位根，只要这个统计值是小于1%水平下的数字就可以极显著的拒绝原假设，认为数据平稳。注意，ADF值一般是负的，也有正的，但是它只有小于1%水平下的才能认为是及其显著的拒绝原假设。
对于ADF结果在1% 以上 5%以下的结果，也不能说不平稳，关键看检验要求是什么样子的。
补充知识：python 编写ADF 检验 ，代码结果参数所表示的含义
我就废话不多说了，大家还是直接看代码吧！
from statsmodels.tsa.stattools import adfuller
import numpy as np
import pandas as pd
adf_seq = np.array([1,2,3,4,5,7,5,1,54,3,6,87,45,14,24])
dftest = adfuller(adf_seq,autolag="AIC")
dfoutput = pd.Series(dftest[0:4],index=["Test Statistic","p-value","#Lags Used","Number of Observations Used"])
# 第一种显示方式
for key,value in dftest[4].items():
dfoutput["Critical Value (%s)" % key] = value
print(dfoutput)
# 第二种显示方式
print(dftest)
（1）第一种显示方式如图所示：
具体的参数含义如下所示：
Test Statistic : T值，表示T统计量
p-value： p值，表示T统计量对应的概率值
Lags Used：表示延迟
Number of Observations Used: 表示测试的次数
Critical Value 1% : 表示t值下小于 - 4.938690 ， 则原假设发生的概率小于1%， 其它的数值以此类推。
其中t值和p值是最重要的，其实这两个值是等效的，既可以看t值也可以看p值。
p值越小越好，要求小于给定的显著水平，p值小于0.05，等于0最好。
t值，ADF值要小于t值，1%， 5%， 10% 的三个level，都是一个临界值，如果小于这个临界值，说明拒绝原假设。
其中，1% ： 严格拒绝原假设； 5%： 拒绝原假设； 10% 以此类推，程度越来越低。如果，ADF小于1% level， 说明严格拒绝原假设。
（2）第二种表示方式，如下图所示：
第一个值（0.0）： 表示Test Statistic ， 即T值，表示T统计量
第二个值（0.958532086060056）：p-value，即p值，表示T统计量对应的概率值
第三个值（7）：Lags Used，即表示延迟
第四个值（7）：Number of Observations Used，即表示测试的次数
大括号中的值，分别表示1%， 5%， 10% 的三个level
查阅了资料，简单的做的总结经验。
以上这篇Python ADF 单位根检验 如何查看结果的实现就是小编分享给大家的全部内容了，希望能给大家一个参考
