大家好，我是锋哥。最近连载更新《Matplotlib3 Python 数据可视化》技术专题。
本课程讲解利用python进行数据可视化 科研绘图-Matplotlib，学习Matplotlib图形参数基本设置，绘图参数及主要函数，以及Matplotlib基础绘图，和Matplotlib高级绘图。同时也配套视频教程 《2026版 Matplotlib3 Python 数据可视化 视频教程》
自相关图（Autocorrelation Plot）是时间序列分析中重要的可视化工具，用于展示时间序列与其自身滞后版本之间的相关性。它有助于识别数据中的季节性、周期性和随机性模式。
自相关图基本概念
- 自相关系数：衡量时间序列与其滞后版本之间相关性的指标
- 滞后值 (Lag) ：时间序列向后移动的时间单位数
- 置信区间：表示自相关系数是否显著区别于零的统计边界
Matplotlib3 绘制自相关图需要用到statsmodels库。
statsmodels 是一个专注于统计建模与计量经济分析的Python库，提供线性回归、时间序列分析、广义线性模型、假设检验等核心功能，强调模型的统计解释性（如p值、置信区间）。
pip install statsmodels -i https://pypi.tuna.tsinghua.edu.cn/simple
plot_acf() 是 statsmodels 库中用于绘制时间序列自相关函数（ACF） 的核心工具，广泛应用于时间序列分析（如ARIMA建模、白噪声检验、随机游走识别等）。以下是其参数的详细解析及示例说明：
statsmodels.graphics.tsaplots.plot_acf(
x,
ax=None,
lags=None,
alpha=0.05,
use_vlines=True,
unbiased=False,
fft=False,
title='Autocorrelation',
zero=True,
vlines_kwargs=None,
**kwargs
)
参数详解表
| 参数 | 类型 | 默认值 | 说明 | 注意事项 |
|---|---|---|---|---|
| x | array_like | - | 时间序列数据（一维数组） | 必需参数，不支持含NaN的序列 24 |
| lags | int 或 array_like | None（自动取len(x)） | 指定计算的滞后阶数 | 若为整数，生成np.arange(lags)；若为数组，直接使用指定滞后点 26 |
| alpha | float | 0.05 | 置信区间的显著性水平 | 设为None则不显示置信区间；alpha=0.05 表示95%置信区间 12 |
| use_vlines | bool | True | 是否用垂直线+标记绘制ACF | 若为False，仅绘制标记（如圆点）27 |
| unbiased | bool | False | 自协方差计算方式 | True：分母用n-k（无偏估计）；False：分母用n（有偏估计）25 |
| fft | bool | False | 是否用FFT算法计算ACF | 对长序列加速计算，但可能牺牲精度 2 |
| title | str | 'Autocorrelation' | 图表标题 | 支持自定义标题文本 27 |
| zero | bool | `True`` | 是否包含0阶滞后（恒为1） | 通常保留，体现序列与自身的完全相关 24 |
| ax | Matplotlib Axes | None | 指定绘图的Axes对象 | 用于多子图布局，不指定则创建新画布 27 |
| vlines_kwargs | dict | None | 垂直线样式参数 | 如{"color": "red", "linewidth": 0.8} 2 |
| **kwargs | - | - | 传递给matplotlib.plot()的样式参数 | 如co |
我们来看一个示例：
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
# 生成示例时间序列数据
np.random.seed(42)
n = 200 # 数据点数量
# 创建具有季节性的时间序列
seasonal = np.sin(np.linspace(0, 10 * np.pi, n))
trend = np.linspace(0, 5, n)
noise = np.random.normal(0, 0.5, n)
data = trend + seasonal + noise
# 创建图形
plt.figure(figsize=(12, 8), dpi=100)
# 绘制时间序列
plt.subplot(2, 1, 1)
plt.plot(data, color='royalblue', linewidth=2)
plt.title('原始时间序列', fontsize=14)
plt.xlabel('时间点', fontsize=12)
plt.ylabel('值', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
# 绘制自相关图
plt.subplot(2, 1, 2)
plot_acf(data, lags=40, alpha=0.05, color='darkgreen',
title='自相关图 (ACF)', ax=plt.gca(),
vlines_kwargs={'colors': 'darkgreen'})
plt.xlabel('滞后阶数 (Lags)', fontsize=12)
plt.ylabel('自相关系数', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.ylim(-1.1, 1.1)
plt.tight_layout()
plt.show()
