def tagADF(t):
 result = pandas.DataFrame(index=[
 “Test Statistic Value”, “p-value”, “Lags Used”,
 “Number of Observations Used”,
 “Critical Value(1%)”, “Critical Value(5%)”, “Critical Value(10%)”
 ], columns=[‘销量’]
 );
 result[‘销量’][‘Test Statistic Value’] = t[0]
 result[‘销量’][‘p-value’] = t[1]
 result[‘销量’][‘Lags Used’] = t[2]
 result[‘销量’][‘Number of Observations Used’] = t[3]
 result[‘销量’][‘Critical Value(1%)’] = t[4][‘1%’]
 result[‘销量’][‘Critical Value(5%)’] = t[4][‘5%’]
 result[‘销量’][‘Critical Value(10%)’] = t[4][‘10%’]
 return result;print(‘原始序列的ADF检验结果为:’,tagADF(ADF(data[u’销量’]))) # 添加标签后展现

平稳判断：得到统计量大于三个置信度(1%,5%,10%)临界统计值，p值显著大于0.05，该序列为非平稳序列。

备注：得到的统计量显著小于3个置信度（1%，5%，10%）的临界统计值时，为平稳 此时p值接近于0 此处不为0，尝试增加数据量，原数据太少

2 进行数据差分，一般一阶差分就可以

D_data = data.diff(1).dropna()
D_data.columns = [u’销量差分’]

#差分图趋势查看

D_data.plot()
plt.show()

附加：查看自相关系数合片自相关系数（查分之后），可以用于平稳性的检测，也可用于定阶系数预估

#自相关图

plot_acf(D_data).show()

plt.show()

#偏自相关图

from statsmodels.graphics.tsaplots import plot_pacf

plot_pacf(D_data).show()

3 平稳性检测

print(u’差分序列的ADF检验结果为：‘, tagADF(ADF(D_data[u’销量差分’])))

解释：Test Statistic Value值小于两个水平值，p值显著小于0.05，一阶差分后序列为平稳序列。

4 白噪声检验

from statsmodels.stats.diagnostic import acorr_ljungbox
#返回统计量和p值
print(u’差分序列的白噪声检验结果为：', acorr_ljungbox(D_data, lags=1)) # 分别为stat值（统计量）和P值
P值小于0.05，所以一阶差分后的序列为平稳非白噪声序列。
5 p，q定阶
from statsmodels.tsa.arima_model import ARIMA
#一般阶数不超过length/10
pmax = int(len(D_data)/10)
#一般阶数不超过length/10
qmax = int(len(D_data)/10)
#bic矩阵
bic_matrix = []
 for p in range(pmax+1):
 tmp = []
 for q in range(qmax+1):
 #存在部分报错，所以用try来跳过报错。
 try:
 tmp.append(ARIMA(data, (p,1,q)).fit().bic)
 except:
 tmp.append(None)
 bic_matrix.append(tmp)#从中可以找出最小值
bic_matrix = pandas.DataFrame(bic_matrix)
#先用stack展平，然后用idxmin找出最小值位置。
p,q = bic_matrix.stack().idxmin()
print(u’BIC最小的p值和q值为：%s、%s’ %(p,q))