我有一个多索引熊猫数据框，看起来像这样
ID I II III
METRIC a b c d a b c d a b c d
2015-08-01 0 1 2 3 20 21 22 23 40 41 42 43
2015-08-02 4 5 6 7 24 25 26 27 44 45 46 47
2015-08-03 8 9 10 11 28 29 30 31 48 49 50 51
它由日期（2015-08-01、2015-08-02、2015-08-03等）索引，第一级列（I、II、III）是IDs ，第二级列是对应的METRICs （a、b、 …
我正在尝试使用statsmodels中的方法通过拟合SARIMAX（p，d，q）x（P，D，Q，s）模型来进行网格搜索以执行模型选择SARIMAX()。我确实将d和设置D为1和s7，并迭代pin {0, 1}，qin {0, 1, 2}，Pin {0, 1}，Qin {0, 1}和中的值trend in的值{None, 'c'}，总共进行了48次迭代。在模型拟合阶段，如果参数的任何组合导致了非平稳或不可逆模型，我将转到下一个参数组合。
我有一组时间序列，每个序列代表一个代理随时间变化的性能，由83个（每日）测量值和一个每周的季节性组成。我保留了90％的数据用于模型拟合，剩下的10％用于预测/测试。
我发现，在网格搜索过程中进行模型拟合需要花费很长时间，大约需要11 分钟，而对于一对代理来说，而相同的48次迭代所花费的时间则要少得多，不到10 秒。
但是，如果在执行网格搜索之前，我对与分析花费很长时间的代理相对应的数据进行了日志转换，则相同的48次迭代大约需要15 秒！但是，尽管我喜欢加速因子，但与使用原始（即未经对数转换的）数据的情况相比，最终的预测结果却较差。因此，我宁愿将数据保留为原始格式。
我的问题如下：在某些时间段内导致这种速度变慢的原因是什么？有没有一种方法可以通过给定SARIMAX()或SARIMAX.fit()某些参数来加快模型拟合的速度？我试过了simple_differencing = True，在状态空间中构造一个较小的模型，将时间从11分钟减少到6分钟，但这仍然太长。
我将不胜感激。