在学习了如何加载、处理和可视化时间序列数据之后，我们现在将重点放在分析其内在结构并为建模做准备上。许多标准的时间序列模型都基于一个假设：序列的统计特性，例如其均值和方差，随时间保持不变。这种特性被称为平稳性。

通常，原始时间序列数据会表现出趋势或季节性模式，这意味着它不平稳。本章将介绍时间序列分解，这是一种将序列分离为趋势、季节性以及随机噪声等组成部分的方法（对于加法模型是$y_t = T_t + S_t + R_t$，对于乘法模型是$y_t = T_t \times S_t \times R_t$）。理解这些组成部分有助于获得见解并辅助模型选择。

我们将学习：

• Python中分解时间序列数据的方法。
• 平稳性的定义及其重要性。
• 如何直观评估平稳性。
• 针对平稳性的正式统计检验，例如增广迪基-富勒（ADF）检验。
• 将不平稳数据转换为适用于建模的平稳数据的方法，主要是差分法。

在本章结束时，您将能够分解时间序列，并判断它们是否符合许多预测模型所需的平稳性假设。