咖啡店的第一张报表：遇见时间序列

第 1 章：咖啡店的第一张报表：遇见时间序列

1.1 推开咖啡店的门：小林的第一天

九月的第一个星期一，城市刚下过一场小雨，空气里有桂花的味道。

小林站在一栋写字楼的玻璃幕墙前，抬头看着"时光里咖啡"六个大字，心里有些忐忑。这是她大学毕业后的第一份工作——连锁咖啡品牌"时光里"运营部门的数据分析师。她本科读的就是统计学，原本以为会面对一个干净、整齐的 Excel 表格，几行代码就能把今天卖了多少杯拿铁算得一清二楚。但推开运营部那扇玻璃门的那一刻，她发现世界比她想象的更复杂。

运营总监张姐是个四十岁左右的女人，戴着细框眼镜，说话干脆得像在扔石子。她把小林带到一张桌子前面，桌上放着一台笔记本电脑，屏幕上开着一份 Excel。

"小林，欢迎你。"张姐说，"先看一份东西。"

她双击了一下图标。屏幕上的表格开始向下滚动——

``` 2020/01/01 1280 2020/01/02 1350 2020/01/03 1310 ... 2023/08/31 2120 ```

"这是我们过去三年，每一天，每一家门店的合计销售额。"张姐说，"三年，一千多个日子。"

小林点了点头——这种二维表她在学校见过。

"现在是九月初，"张姐继续说，"我们要在下个星期一之前，给采购部门提交一份下个季度的咖啡豆、牛奶、糖浆的采购建议。理由是：根据过去三年来的销售情况，预测下个季度我们大概会卖出多少杯咖啡。"

小林感觉自己的手指尖有些冰。她忽然意识到，这不是一道数学题，这是一道关于"未来"的题。

"听起来，"她问，"是要做预测？"

"是预测。"张姐看着她，"但我们不是算命先生。我们要从这些数字里，找到一些规律，然后用规律去推演未来。"

小林还没意识到，从这一刻起，她已经踏入了"时间序列"的世界。

她回到工位，把数据读进了 Python：

```python import pandas as pd

df = pd.read_excel("coffee_sales.xlsx") print(df.head()) print("行数：", df.shape[0]) ```

输出像这样：

``` date sales 0 2020-01-01 1280 1 2020-01-02 1350 2 2020-01-03 1310 3 2020-01-04 1290 4 2020-01-05 1340 行数： 1339 ```

三年，1339 天，每一行是一天。数据非常规整，没有缺失值。但小林隐约觉得，问题不会这么简单。

1.2 数字里藏着的"呼吸"：时间序列的四个核心成分

小林决定先把数据画出来看看。

```python import matplotlib.pyplot as plt

df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True)

plt.figure(figsize=(14, 5)) plt.plot(df.index, df['sales'], linewidth=0.8) plt.title("时光里咖啡每日销售额 (2020-01 — 2023-08)") plt.xlabel("日期") plt.ylabel("销售额（元）") plt.grid(True) plt.show() ```

图出来的瞬间，小林呆住了。

那不是一条乱七八糟的折线。那条线像一条蜿蜒的河流，从左下角流向右上角，但中间又有无数大大小小的起伏。整条线看起来——怎么说呢——是"活的"。

她把这张图放大，再放大，发现了几件事：

第一件事：长期向上的趋势 (Trend)。

从 2020 年到 2023 年，销售额整体是在上升的。2020 年初每天大概卖一千多块，到 2023 年夏天已经能卖到两千多块。这条隐隐约约的"上升骨架"，叫做趋势。

趋势是什么？趋势是数据在较长一段时间内持续的、单调的上升或下降方向。它不是"今天高明天高"那种短期的波动，而是像一条慢慢爬升的山路，告诉读者：数据从整体上要往哪个方向走。对咖啡店而言，趋势上升可能意味着品牌越来越受欢迎、门店越开越多、用户黏性在增强。

第二件事：周而复始的节拍——季节性 (Seasonality)。

小林把图缩回原大小，再用一张新图把 2022 年单独画出来。她发现一个有意思的现象：每年的曲线都有节奏地起伏——夏季和冬季有高峰，春秋则低一些。再放大看每周，周六和周日的销量会突然拔高，而周一到周五相对平稳。

这些有规律的、按固定周期重复出现的波动，叫做季节性。

注意：这里的"季节"不一定是春夏秋冬。在时间序列里，"季节"指的是任何周期固定的重复模式。每年一次的叫年度季节性（咖啡店的冬夏高峰），每周一次的叫周季节性（咖啡店的周末高峰），每天之内可能还有日季节性（比如早餐时段和下午茶时段会爆满）。只要周期是固定的，就叫季节性。

第三件事：时间长度飘忽的浪潮——周期 (Cycle)。

小林在反复放大缩小的过程中，发现有时候曲线会出现一些持续数月甚至更长时间的特殊形态——比如 2022 年 3 月到 6 月那一段，整体偏低于预期，然后在 7 月又恢复了。再往前，2020 年下半年有一段"猛涨"，比正常趋势高出不少。事后她查了查，2020 年下半年是因为几家写字楼陆续入驻、新店开业；2022 年 3 月到 6 月是因为附近开了一家竞品咖啡馆。

这种"持续时间不固定"的起伏，叫做周期。

周期和季节性的区别在于：季节性的周期是固定的（每周 7 天，每年 365 天），而周期的间隔是飘忽不定的。经济周期就是一个典型——繁荣和衰退会持续多久，每次都不一样。打个比方：季节性是大海的潮汐，每天涨两次；周期是地球上的气候，可能连旱三年也可能连涝三年。

第四件事：解释不了的部分——残差 / 随机噪声 (Residual / Random Noise)。

除了趋势、季节性、周期之外，剩下的就是残差了。这是数据中无法被前面三种成分解释的部分——比如去年"双十一"那天，时光里咖啡搞了一个"买一赠一"的会员活动，销量飙到 3500 元，是平时的 1.7 倍。2022 年 6 月某天因为附近写字楼停电，门店提前关门，销量骤降到 600 元。这些就是噪声：随机的、不可预测的扰动。

任何一条时间序列，都可以被想象成这四种成分叠加在一起的结果。我们可以用一张图来理解这种分解：

```mermaid flowchart TD A[原始时间序列] --> B[识别趋势 T] A --> C[识别季节性 S] A --> D[识别周期 C] A --> E[识别残差 R] B --> F[长期单调方向] C --> G[固定周期波动] D --> H[非固定周期波动] E --> I[随机扰动] F --> J[可解释的成分] G --> J H --> J I --> K[难以预测的成分] ```

识别这四种成分，是理解时间序列的第一步，也是预测时间序列的第一步。

小林趴在桌上，在笔记本上写下这样一段话：

> *时间序列 = 趋势 + 季节性 + 周期 + 噪声。* > > *趋势回答"长期往哪走"，季节性回答"什么时候会高、什么时候会低"，周期回答"有没有大波浪"，噪声回答"还有什么我没想到的"。*

这是她今天学到的第一件事。

1.3 普通方法为什么"失灵"了

小林的统计学课本里，最熟悉的方法就是线性回归：把因变量 Y 放到纵轴，自变量 X 放到横轴，画一条最"合适"的直线。她想：销售量是因变量，时间是自变量，是不是做一条 Y = aX + b 就能预测了？

她试了一下：

```python import numpy as np from sklearn.linear_model import LinearRegression

df['day_index'] = np.arange(len(df)) X = df[['day_index']] y = df['sales']

model = LinearRegression() model.fit(X, y) print("斜率:", model.coef_[0]) print("截距:", model.intercept_) ```

输出大概长这样：

``` 斜率: 0.78 截距: 1340.2 ```

数学上没问题。但是小林把这条预测线和真实数据画在同一张图上，立刻看出问题：

预测线是平直的、单调上升的斜线。但真实数据像一条蜿蜒的河流，围绕着这条线剧烈地摆动——这就是因为她忽略了"季节性"和"随机性"。

但这还不是普通线性回归在时间序列上"失灵"的根本原因。根本原因是更深层的两条假设被违反了。

第一条被违反的假设：误差项相互独立。

在普通回归里，我们做了一个关键假设：每一个数据点的"误差"是相互独立的。今天卖出多少和昨天卖出多少没有关系。这在很多场景下是合理的——比如研究身高和体重的关系，张三的体重不会影响李四的体重。

但在时间序列里，今天的销售额和昨天、上周、上个月，是紧密相关的。小林做了一个简单的实验。她计算了每一天的销售额和它前一天的销售额之间的相关系数：

```python df['lag1'] = df['sales'].shift(1) correlation = df['lag1'].corr(df['sales']) print("销售额与其前一天销售额的相关系数:", correlation) ```

输出大概是 `0.92`。

0.92——这是一个极高的相关系数。也就是说，今天的销售额几乎可以由昨天的销售额决定。

这就引出了一个关键概念——自相关 (Autocorrelation)。直白地说，自相关就是"自己的过去和现在有关"。

更系统地看自相关，可以用自相关函数 (Autocorrelation Function, ACF)：

```python from statsmodels.graphics.tsaplots import plot_acf

plot_acf(df['sales'].dropna(), lags=60) plt.title("销售额的自相关函数 (lag 1 ~ 60 天)") plt.show() ```

这张图会显示：随着滞后期 (lag) 的增加，自相关系数在慢慢下降。但即使是滞后 30 天（也就是一个多月前），自相关系数依然有 0.6 左右。这说明时间序列有"长记忆"。

自相关为什么重要？因为它会让普通回归给出的"标准误"和"p 值"失真。打个比方：如果你以为你拥有 1339 个独立的数据点，但实际上它们彼此高度相关，那你真正"看到的独立信息"可能只有 200 个左右。用 1339 个数据去做的统计检验，会过度乐观——看起来很显著的结论，其实并没有那么可靠。

第二条被违反的假设：数据是平稳的。

普通回归还假设数据是"平稳 (stationary)"的——也就是说，数据的均值和方差是不随时间变化的。

但现实世界的时间序列，绝大多数都不是平稳的。咖啡店 2020 年的平均销售额和 2023 年的平均销售额就完全不是一回事。如果用 2020 年初的数据来预测 2024 年，那一定是荒谬的——三年过去了，门店更多了，用户更多了，连价格都不一样了。

怎么判断数据是不是平稳的？有一种常用的方法叫ADF 检验 (Augmented Dickey-Fuller Test)：

```python from statsmodels.tsa.stattools import adfuller

result = adfuller(df['sales']) print("ADF 统计量:", result[0]) print("p 值:", result[1]) ```

如果 p 值小于 0.05，我们就说数据"拒绝原假设"——也就是"看起来是平稳的"。但小林跑出来，p 值是 0.42，差距非常大。也就是说，咖啡店的数据不是平稳的。

数据不平稳，意味着我们用普通回归得到的"参数估计"会偏倚——今天拟合出的斜率可能和明年拟合出的斜率不一样。

这两条假设的违反——自相关和非平稳性——构成了时间序列需要专门方法的根本原因。

所以，时间序列的方法核心思想就两条：

1. 承认数据之间是有依赖的——今天和昨天有关，本周和上周有关。 2. 承认数据是会变的——过去的规律可能不再适用，需要"学会"最近的规律。

理解了这两点，就理解了为什么"时间序列预测"会成为统计学和机器学习中一个独立而庞大的分支。

1.4 用 Python 听见时间的声音

小林在草稿纸上画了几个圈，又划掉。

她想：既然时间序列有四种成分，那我能不能从数据里"看"出来？

可以。她决定做几件简单的事情。

第一件事：滚动平均，让趋势浮出水面。

每一天的数据点有噪声，看不出趋势。但如果算"过去 30 天的平均"，每一天的噪声会被平均掉，趋势就显现出来了。

```python df['rolling_30'] = df['sales'].rolling(window=30).mean() df['rolling_90'] = df['sales'].rolling(window=90).mean()

plt.figure(figsize=(14, 5)) plt.plot(df.index, df['sales'], alpha=0.3, label='原始数据') plt.plot(df.index, df['rolling_30'], color='red', linewidth=1.5, label='30 天滚动平均') plt.plot(df.index, df['rolling_90'], color='darkred', linewidth=2, label='90 天滚动平均') plt.legend() plt.title("滚动平均：让趋势浮出水面") plt.show() ```

出来的图，小林看了好几遍。

那条红色的 30 天平均线，确实把"上升"和"起伏"都展示出来了。再粗一点的 90 天平均线，则过滤掉了更多的短期波动，只剩下"骨架"。

这是移动平均 (Moving Average, MA) 方法的最朴素形式——把最近 N 个点的值取平均，作为"现在的趋势估计"。这种方法会"抹平"短期波动，但也能帮我们看清长期方向。

第二件事：看一周内的"季节性"。

小林想知道：每个星期里，周一到周日的销量是不是有规律？

```python df['weekday'] = df.index.dayofweek # 0 = Monday, 6 = Sunday weekday_avg = df.groupby('weekday')['sales'].mean()

plt.figure(figsize=(8, 4)) weekday_avg.plot(kind='bar', color='steelblue') plt.xticks(range(7), ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'], rotation=0) plt.title("一周内各天的平均销售额") plt.ylabel("平均销售额（元）") plt.show() ```

出来的柱状图清清楚楚：周一到周五销量比较稳定，到了周六周日，柱子猛地拔高——大约比工作日高出 25%。

这就是周季节性。

第三件事：看一年内的"季节性"。

小林又按"月份"分组：

```python df['month'] = df.index.month monthly_avg = df.groupby('month')['sales'].mean()

plt.figure(figsize=(10, 4)) monthly_avg.plot(kind='bar', color='seagreen') plt.xticks(range(0, 12), ['Jan','Feb','Mar','Apr','May','Jun', 'Jul','Aug','Sep','Oct','Nov','Dec'], rotation=0) plt.title("一年内各月的平均销售额") plt.ylabel("平均销售额（元）") plt.show() ```

出来的柱状图显示：每年的 12 月、1 月、7 月、8 月销售量都高——冬天和夏天。这有两个原因：冬天人们更愿意喝热咖啡取暖，夏天冰咖啡的销量又会爆。而 3 月、4 月、9 月相对低——这两个月正是"换季"时期，温度不冷不热，咖啡的需求相对稳定。

这就是年度季节性。

第四件事：去季节性，看真实的趋势。

为了看清趋势而不被季节性干扰，小林做了一个"差分"操作——用今天的销售额减去"去年的今天"的销售额。

```python df['sales_diff_year'] = df['sales'] - df['sales'].shift(365)

plt.figure(figsize=(14, 5)) df['sales_diff_year'].plot() plt.title("同比差分 (今天 - 去年今天)") plt.ylabel("销售额差值（元）") plt.grid(True) plt.show() ```

出来的图"干净"了很多——季节性的部分被去掉了，剩下的主要是趋势的"变化"和噪声。如果这条差分曲线大部分时间在 0 以上，说明今年的销售确实在增长；如果偶尔跳水，那就是有异常事件（比如双十一、停电、竞品开店）。

第五件事：看"残差"——发现异常。

最后，小林想看看哪些天的销量"特别异常"。

```python

计算每个值与最近 30 天平均的差

df['residual'] = df['sales'] - df['rolling_30'] threshold = df['residual'].std() * 3 anomalies = df[df['residual'].abs() > threshold]

print("异常日数量:", len(anomalies)) print(anomalies.head()) ```

输出的"异常日"列表里，她一眼看到了几个熟悉的日期：

• 2020-11-11：双十一，异常高
• 2021-02-12：春节前最后一天，异常高
• 2022-06-15：写字楼停电，