作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
时间序列有一些比较常见的特征，包括：
1、趋势性（Trend）：即在一定时间内的单调性，一般来说斜率是固定的。
2、季节性（Seasonal）：固定长度的变化，就像春夏秋冬的温度变化一样。
3、周期性（Cyclic）：与季节性很像，但是它的波动的时间频率不是固定的。
以上都是基本概念，重点是区分季节性和周期性。事物都是盛极必衰，但是跌落谷底之后又反弹，这种往复的运动，被称之为周期性。但是像日出日落、春夏秋冬、周六日放假这种节律如果能够固定下来，那么这种固定的往复变化就被成为季节性。
对季节性数据的可视化，有一定的方法，比如对于a10这份数据（1991年到2008年月尺度的抗糖尿病药物销量），就可以做两种图。第一种是总体概况：
ggseasonplot(a10, year.labels=TRUE, year.labels.left=TRUE) +
ylab("$ million") +
ggtitle("Seasonal plot: antidiabetic drug sales")
这个图的原则是，以我们ts的frequency作为一个单位来表示。因为这里是12月1年的月尺度数据，因此frequency其实是12，就会用月来显示数据。这里基于年进行分组。
第二种可视化方法是基于月进行分组，然后查看不同年份每个月的趋势和均值：
ggsubseriesplot(a10) +
ylab("$ million") +
ggtitle("Seasonal subseries plot: antidiabetic drug sales")
这样可以看到每个月基本的均值。具体的应用需要见仁见智，我们可以看到的是1月份很高，后面就开始急剧降低，然后又慢慢升高，据说是因为医疗保险政策所致。
参考链接：
原文作者：；如有侵权，请联系管理员删除。
