ARIMA报“non-stationary”错需先差分使序列平稳：用adfuller检验，p>0.05则至少一阶差分（d≥1），差分后dropna保索引连续；p、q一般≤3，推荐auto_arima自动选参；forecast()结果需手动逆差分，predict()更省事；降采样和method='lbfgs'可提速。
ARIMA模型跑不起来，statsmodels.tsa.arima.model.ARIMA报错“non-stationary”怎么办
ARIMA要求序列平稳，但原始销量数据几乎总是带趋势和季节性。直接拟合会触发ValueError: The computed initial AR coefficients are not stationary这类错误。
别急着调参，先做差分。用adfuller检验原始序列（ts）：如果p-value > 0.05，说明非平稳，必须差分。
- 一阶差分通常够用：
ts_diff = ts.diff().dropna()；再检验，仍不平稳就二阶（ts.diff().diff().dropna()） - 差分次数就是ARIMA的
d参数，别硬设为0——哪怕AIC建议(1,0,1)，只要序列不稳，d必须≥1 - 注意：差分后索引可能断掉，用
.dropna()清理，否则fit()时会因NaN报LinAlgError
怎么选p和q？别靠ACF/PACF图硬猜
销量数据常受促销、节假日干扰，ACF/PACF图毛刺多，人工截断点容易误判。更可靠的做法是用信息准则自动搜索，但得控制范围。
-
p和q一般不超过3：销量序列长度有限（比如2年日度数据≈730点），p>3易过拟合，预测方差陡增 - 用
auto_arima（pmdarima库）比手写循环更稳：auto_arima(ts, seasonal=False, max_p=3, max_q=3, d=None, stepwise=True)，它会自动确定d并选最优(p,d,q) - 如果坚持用原生
ARIMA，至少遍历p,q ∈ [0,1,2,3]，用aic或bic选最小值，别只看单个指标——bic对高阶项惩罚更重，更适合小样本
预测未来销量时，model.forecast(steps=7)结果离谱，为什么
这是最常踩的坑：forecast()默认不做差分逆变换，返回的是差分域的预测值，不是原始销量。
立即学习“Python免费学习笔记（深入）”；
- 必须用
get_forecast()+conf_int()+ 手动还原：先保存原始序列末尾值（如last_obs = ts.iloc[-1]），再对预测的差分值做累加还原：np.cumsum(pred_diff) + last_obs - 更省事的方法是改用
predict()：它能自动处理差分逆变换，但需指定start和end为未来索引，例如model.predict(start=len(ts), end=len(ts)+6) - 注意时间索引对齐：如果原始
ts是DatetimeIndex，预测结果索引必须连续，否则绘图或导出时日期错位
Python里ARIMA跑太慢，训练卡住或内存爆掉
根本原因不是模型复杂，而是statsmodels默认用全矩阵求解，对长序列（>2000点）或高p/q极其敏感。
- 降维优先：销量预测中，周粒度通常比日粒度更稳、更快。用
ts.resample('W').sum()聚合，序列变短，fit()速度提升5倍以上 - 关掉冗余计算：
ARIMA(..., method='lbfgs')比默认'css-mle'快很多，且收敛更稳；加disp=False禁用迭代日志输出 - 避免在Jupyter里反复
fit()：每次调用都重建内部状态，内存不释放。训练完立刻del model，或用with上下文管理器封装
差分阶数、索引连续性、逆变换逻辑——这三个地方出错，预测结果就完全不可信。其他都是锦上添花。
