以下是一个使用 Python 中的 `pandas` 和 `statsmodels` 库进行简单时间序列预测的示例代码： 首先，请确保你已经安装了 `pandas` 和 `statsmodels` 库。 ```python import pandas as pd from statsmodels.tsa.arima.model import ARIMA # 假设我们有一个时间序列数据 data = [10, 12, 15, 18, 20, 22, 25, 28, 30, 32] index = pd.date_range(start='2023-01-01', periods=len(data), freq='D') df = pd.DataFrame(data, index=index, columns=['Value']) # 拟合 ARIMA 模型 model = ARIMA(df['Value'], order=(1, 1, 0)) model_fit = model.fit() # 进行预测 forecast = model_fit.forecast(steps=5) # 预测未来 5 步 print(forecast) ``` 上述代码中，我们首先创建了一个简单的时间序列数据，然后使用 `ARIMA` 模型进行拟合和预测。 这只是一个非常简单的示例，实际应用中的时间序列预测可能需要更复杂的模型选择、数据预处理和参数调整。 [2024-08-10 19:42:06 | AI写代码神器 | 295点数解答]