STL 分解摆脱 NaN 值

Question

对以下链接进行了调查，但没有为我提供我正在寻找/解决问题的答案：First，Second。

由于保密问题，我无法发布实际分解我可以显示我当前的代码并给出数据集的长度，如果这还不够，我将删除这个问题。

import numpy as np
from statsmodels.tsa import seasonal
def stl_decomposition(data):
    data = np.array(data)
    data = [item for sublist in data for item in sublist]
    decomposed = seasonal.seasonal_decompose(x=data, freq=12)

    seas = decomposed.seasonal
    trend = decomposed.trend
    res = decomposed.resid

在图中，它显示它根据加法模型正确分解。然而，趋势和残差列表的前 6 个月和最后 6 个月都有 NaN 值。当前数据集的大小为 10*12。理想情况下，这应该适用于仅 2 年的时间。

这仍然像第一个链接中所说的那样太小吗？即我需要自己推断额外的分数？

编辑：似乎在趋势和残差的两端，频率的一半总是 NaN。同样适用于减小数据集的大小。

Answer 1

根据这个Github链接，另一个用户有类似的问题。他们“修复”了这个问题。为了避免 NaN，可以传递一个额外的参数。

decomposed = seasonal.seasonal_decompose(x=data, freq=12, extrapolate_trend='freq')

然后它将使用线性最小二乘法来最好地近似值。（来源）

显然，这些信息字面上写在他们的文档中，并且解释得很清楚，但我完全错过/误解了它。因此，我正在为有同样问题的人回答我自己的问题，以挽救他们的冒险经历。