如果你的數據帶有時間戳（比如股票價格、氣象數據），那麼時間序列分析就是你的必修課。對於研究城市熱島效應來説，掌握時間序列分析更是必不可少，畢竟温度變化本身就具有明顯的時間特徵。

1. 將日期設為索引

這是進行時間序列分析的第一步，也是最關鍵的一步。正確設置時間索引後，你就能輕鬆進行各種基於時間的操作了。

df.set_index('date', inplace=True)

2. 時間序列基礎操作

• 重採樣：改變數據的時間頻率，比如將每日數據聚合為每月數據。這在分析長期氣候變化趨勢時特別有用。

  # 將每日温度數據按月求平均值
  monthly_avg = df['temperature'].resample('M').mean()
  

• 滾動窗口：計算移動平均值，平滑短期波動，觀察長期趨勢。這對於識別城市熱島效應的季節性變化和長期趨勢非常有幫助。

  # 計算3天的移動平均温度
  df['rolling_mean'] = df['temperature'].rolling(window=3).mean()
  

3. 季節性分解

對於城市熱島效應研究，理解温度的季節性模式至關重要。statsmodels庫提供了強大的季節性分解功能：

from statsmodels.tsa.seasonal import seasonal_decompose
# 分解温度數據為趨勢、季節性和殘差
decomposition = seasonal_decompose(df['temperature'], model='additive', period=365)
decomposition.plot()

4. 時間序列可視化

良好的可視化能幫助你直觀地發現數據中的模式和異常：

import matplotlib.pyplot as plt
# 繪製原始温度數據和移動平均線
plt.figure(figsize=(12, 6))
plt.plot(df['temperature'], label='原始温度', alpha=0.7)
plt.plot(df['rolling_mean'], label='3日移動平均', color='red')
plt.title('温度時間序列分析')
plt.xlabel('日期')
plt.ylabel('温度(°C)')
plt.legend()
plt.show()

5. 相關性分析

在城市熱島效應研究中，你可能需要分析温度與其他環境因素（如濕度、風速）的關係：

# 計算温度與其他變量的相關係數
correlation_matrix = df[['temperature', 'humidity', 'wind_speed']].corr()
print(correlation_matrix)

進階提示

建議進一步探索：

• 使用ARIMA或SARIMA模型進行温度預測
• 嘗試小波分析來研究不同時間尺度上的温度變化
• 結合空間數據，進行時空聯合分析 這些技術在處理長期氣象數據時特別有效，能夠幫助你更深入地理解城市熱島效應的形成機制和演變規律。