时序图、自相关图和偏相关图是判断时间序列数据是否平稳的重要依据。
本文涉及的扩展库numpy、pandas、statsmodels一般可以使用pip进行在线安装，如果安装失败，可以到http://www.lfd.uci.edu/~gohlke/pythonlibs/下载相应的whl文件进行离线安装。
另外，绘制自相关图的函数plot_acf()和绘制偏自相关图的函数plot_pacf()还有更多参数可以使用，请自行挖掘和探索。
from random import randrange
import numpy as np
import pandas as pdimport matplotlib.pyplot as plt
import matplotlib.font_manager as fmfrom statsmodels.graphics.tsaplots import plot_acf, plot_pacf
def generateData(startDate, endDate):
df = pd.DataFrame([300+i*30+randrange(50) for i in range(31)],\
columns=['营业额'],\
index=pd.date_range(startDate, endDate, freq='D'))
return df# 生成测试数据，模拟某商店营业额
data = generateData('20170601', '20170701')
print(data)# 绘制时序图
myfont = fm.FontProperties(fname=r'C:\Windows\Fonts\STKAITI.ttf')
data.plot()
plt.legend(prop=myfont)
plt.show()
# 绘制自相关图
plot_acf(data).show()
# 绘制偏自相关图
plot_pacf(data).show()某次运行得到的随机数据为：
营业额
2017-06-01 333
2017-06-02 370
2017-06-03 392
2017-06-04 425
2017-06-05 457
2017-06-06 467
2017-06-07 488
2017-06-08 540
2017-06-09 575
2017-06-10 575
2017-06-11 635
2017-06-12 631
2017-06-13 706
2017-06-14 691
2017-06-15 728
2017-06-16 767
2017-06-17 783
2017-06-18 831
2017-06-19 846
2017-06-20 894
2017-06-21 908
2017-06-22 954
2017-06-23 971
2017-06-24 1011
2017-06-25 1051
2017-06-26 1089
2017-06-27 1120
2017-06-28 1118
2017-06-29 1143
2017-06-30 1181
2017-07-01 1240相应的时序图为：
从时序图来看，有明显的增长趋势，原始数据属于不平稳序列。
相应的自相关图为：
从自相关图来看，呈现三角对称形式，不存在截尾或拖尾，属于单调序列的典型表现形式，原始数据属于不平稳序列。
相应的偏自相关图为：
从偏自相关图形来看，也不存在截尾或拖尾，属于不平稳序列。
对于不平稳序列而言，要获得平稳序列的方法之一就是进行差分运算，请参考“相关阅读”第一条。
----------相关阅读----------
Python使用pandas对数据进行差分运算
Python+pyplot绘制带文本标注的柱状图
Python使用matplotlib填充图形指定区域
Python+numpy实现函数向量化
Python使用numpy计算矩阵特征值、特征向量与逆矩阵
Python使用扩展库numpy计算矩阵加权平均值
Python使用matplotlib绘制三维曲线
Python扩展库scipy.misc中图像转换成pillow图像
详解Python科学计算扩展库numpy中的矩阵运算（1）
Python科学计算扩展库numpy中的广播运算
Python扩展库numpy中的布尔运算
Python获取numpy数组中最大的5个元素（保持原顺序）
Python稀疏矩阵运算库scipy.sparse用法精要
Python科学计算库numpy中的add运算
使用Jupyter Notebook+bokeh绘图入门完整步骤
Python高级数组处理模块numpy用法精要
Python扩展库scipy中值滤波算法的应用
Python绘制带标记和箭头的树结构
Python绘制带有中文标签和图例的图
Python数据可视化案例三：使用Slider组件调整曲线参数
Python数据可视化案例二：动态更新数据
Python数据可视化案例一：自定义曲线频率、颜色与线型
祝所有程序员1024节日快乐
学会提问，你就成功了一大半！
盘点那些让人上火的提问方式（论如何让交流更高效）