直接用statsmodels.tsa.seasonal.seasonal_decompose可做季节性分解，但要求数据为等间隔、带datetime索引的Series/DataFrame，并手动指定整数period；需检查并设置freq，处理缺失与不规则采样，注意model限制及成分解释。
直接用 statsmodels.tsa.seasonal.seasonal_decompose 就能做，但前提是数据必须是等间隔、带明确时间索引的 pd.Series 或 pd.DataFrame，且周期长度（period）得你手动指定——它不会自动猜。
确保时间索引是等间隔且频率已知
季节性分解对时间戳的规则性极其敏感。如果原始数据是按天采集但中间缺了几天，seasonal_decompose 会把缺失当作“零值”或强行插值，导致趋势和季节项失真。
- 用
df.index.freq检查是否已有推断出的频率；若为None，先用df.asfreq('D')（日频）或df.asfreq('M')（月频）填充/对齐，再决定是否前向填充（method='ffill'）或设为 NaN - 避免用字符串日期列直接传入——必须设为
datetime类型索引：df.index = pd.to_datetime(df['date'])，再df.set_index('date', inplace=True) - 如果原始采样不规则（比如传感器每 37 分钟记录一次），先重采样（
resample('H').mean()）再分解，否则结果无意义
正确设置 period 参数而非依赖 freq
seasonal_decompose 不读取索引的 freq 属性，只认 period 这个整数参数：它代表一个完整周期包含多少个观测点。填错会导致季节图完全错位。
- 日度数据看年度季节性 →
period=365（非闰年）或period=365.25不行，必须整数，所以常用365或366 - 小时数据看日周期 →
period=24；看周周期 →period=24*7=168 - 月度数据看年度周期 →
period=12；季度数据 →period=4 - 若用
model='multiplicative'，数据中不能有 ≤ 0 的值，否则报ValueError: Multiplicative seasonality is not appropriate for zero and negative values
分解后各成分的物理含义与验证方式
返回对象的 .trend、.seasonal、.resid 是和原序列等长的 Series，但首尾若干点为 NaN——因为移动平均窗口无法覆盖边界。这不是 bug，是算法固有限制。
立即学习“Python免费学习笔记（深入）”；
-
.trend是中心移动平均（默认 2×period+1 窗口），平滑掉季节+残差，反映长期方向；若想减少滞后，可改用filter_width（仅适用于method='convolution'） -
.seasonal是每个周期位置的均值（如所有 1 月值的平均），因此长度恒为period，但被广播到整个时间轴；可提取result.seasonal.iloc[:period]看一个完整周期模式 - 画图验证：用
result.plot()快速查看四图，重点检查resid是否近似白噪声（无明显趋势或周期）；否则说明period设错，或该序列根本不适合加法/乘法模型
真正麻烦的是多季节性（比如同时存在日周期和周周期），seasonal_decompose 完全不支持——这时候得换 STL（用 statsmodels.tsa.seasonal.STL）或 tbats 包，而且必须显式指定多个 period。
