鋒哥原創的Matplotlib3 Python數據可視化視頻教程：

2026版 Matplotlib3 Python 數據可視化 視頻教程(無廢話版) 玩命更新中~_嗶哩嗶哩_bilibili

課程介紹

本課程講解利用python進行數據可視化 科研繪圖-Matplotlib，學習Matplotlib圖形參數基本設置，繪圖參數及主要函數，以及Matplotlib基礎繪圖，和Matplotlib高級繪圖。

繪制自相關圖

自相關圖（Autocorrelation Plot）是時間序列分析中重要的可視化工具，用于展示時間序列與其自身滯后版本之間的相關性。它有助于識別數據中的季節性、周期性和隨機性模式。

自相關圖基本概念

• 自相關系數：衡量時間序列與其滯后版本之間相關性的指標

• 滯后值 (Lag)：時間序列向后移動的時間單位數

• 置信區間：表示自相關系數是否顯著區別于零的統計邊界

Matplotlib3 繪制自相關圖需要用到statsmodels庫。

?statsmodels? 是一個專注于統計建模與計量經濟分析的Python庫，提供線性回歸、時間序列分析、廣義線性模型、假設檢驗等核心功能，強調模型的統計解釋性（如p值、置信區間）。

pip install statsmodels -i https://pypi.tuna.tsinghua.edu.cn/simple

plot_acf() 是 statsmodels 庫中用于繪制時間序列自相關函數（ACF）的核心工具，廣泛應用于時間序列分析（如ARIMA建模、白噪聲檢驗、隨機游走識別等）。以下是其參數的詳細解析及示例說明：

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
)

參數詳解表

參數	類型	默認值	說明	注意事項
x	array_like	-	時間序列數據（一維數組）	必需參數，不支持含NaN的序列 24
lags	int 或 array_like	None（自動取len(x)）	指定計算的滯后階數	若為整數，生成np.arange(lags)；若為數組，直接使用指定滯后點 26
alpha	float	0.05	置信區間的顯著性水平	設為None則不顯示置信區間；alpha=0.05 表示95%置信區間 12
use_vlines	bool	True	是否用垂直線+標記繪制ACF	若為False，僅繪制標記（如圓點）27
unbiased	bool	False	自協方差計算方式	True：分母用n-k（無偏估計）；False：分母用n（有偏估計）25
fft	bool	False	是否用FFT算法計算ACF	對長序列加速計算，但可能犧牲精度 2
title	str	'Autocorrelation'	圖表標題	支持自定義標題文本 27
zero	bool	`True``	是否包含0階滯后（恒為1）	通常保留，體現序列與自身的完全相關 24
ax	Matplotlib Axes	None	指定繪圖的Axes對象	用于多子圖布局，不指定則創建新畫布 27
vlines_kwargs	dict	None	垂直線樣式參數	如{"color": "red", "linewidth": 0.8} 2
**kwargs	-	-	傳遞給matplotlib.plot()的樣式參數	如co

我們來看一個示例：

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf# 生成示例時間序列數據
np.random.seed(42)
n = 200  # 數據點數量# 創建具有季節性的時間序列
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# 創建圖形
plt.figure(figsize=(12, 8), dpi=100)# 繪制時間序列
plt.subplot(2, 1, 1)
plt.plot(data, color='royalblue', linewidth=2)
plt.title('原始時間序列', fontsize=14)
plt.xlabel('時間點', fontsize=12)
plt.ylabel('值', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)# 繪制自相關圖
plt.subplot(2, 1, 2)
plot_acf(data, lags=40, alpha=0.05, color='darkgreen',title='自相關圖 (ACF)', ax=plt.gca(),vlines_kwargs={'colors': 'darkgreen'})
plt.xlabel('滯后階數 (Lags)', fontsize=12)
plt.ylabel('自相關系數', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.ylim(-1.1, 1.1)plt.tight_layout()
plt.show()