作者：黃天元，復旦大學博士在讀，熱愛資料科學與開源工具（R），致力於利用資料科學迅速積累行業經驗優勢和科學知識發現，涉獵內容包括但不限於資訊計量、機器學習、資料視覺化、應用統計建模、知識圖譜等，著有《R語言資料高效處理指南》（
《R語言資料高效處理指南》（黃天元）【摘要 書評 試讀】- 京東圖書
）。知乎專欄：
R語言資料探勘。
郵箱：[email protected].歡迎合作交流。
時間序列有一些比較常見的特徵，包括：
1、趨勢性（Trend）：即在一定時間內的單調性，一般來說斜率是固定的。
2、季節性（Seasonal）：固定長度的變化，就像春夏秋冬的溫度變化一樣。
3、週期性（Cyclic）：與季節性很像，但是它的波動的時間頻率不是固定的。
以上都是基本概念，重點是區分季節性和週期性。事物都是盛極必衰，但是跌落谷底之後又反彈，這種往復的運動，被稱之為週期性。但是像日出日落、春夏秋冬、週六日放假這種節律如果能夠固定下來，那麼這種固定的往復變化就被成為季節性。
對季節性資料的視覺化，有一定的方法，比如對於a10這份資料（1991年到2008年月尺度的抗糖尿病藥物銷量），就可以做兩種圖。第一種是總體概況：
ggseasonplot（a10， year。labels=TRUE， year。labels。left=TRUE） +
ylab（“$ million”） +
ggtitle（“Seasonal plot： antidiabetic drug sales”）
這個圖的原則是，以我們ts的frequency作為一個單位來表示。因為這裡是12月1年的月尺度資料，因此frequency其實是12，就會用月來顯示資料。這裡基於年進行分組。
第二種視覺化方法是基於月進行分組，然後檢視不同年份每個月的趨勢和均值：
ggsubseriesplot（a10） +
ylab（“$ million”） +
ggtitle（“Seasonal subseries plot： antidiabetic drug sales”）
這樣可以看到每個月基本的均值。具體的應用需要見仁見智，我們可以看到的是1月份很高，後面就開始急劇降低，然後又慢慢升高，據說是因為醫療保險政策所致。
參考連結：
Forecasting： Principles and Practice
