从时间序列中去除季节性是为了隔离潜在的趋势或不规则波动。这个过程通常包括识别并从原始数据中减去重复的季节性模式。常用的方法包括差分、移动平均和分解技术。目的是将数据转换为平稳形式，使其更容易分析或建模非季节性成分，如趋势或异常值。
一种直接的方法是季节性差分，即减去上一个季节周期中同一时期的值。例如，在具有年度模式的月度销售数据中，将每个月份的值减去 12 个月前对应的月份值，可以消除年度季节性。另一种方法是分解，它将时间序列分解为趋势、季节性和残差成分。加法分解（趋势 + 季节性 + 噪声）适用于季节性变化恒定的情况，而乘法分解（趋势 * 季节性 * 噪声）更适合于变化幅度的情况。Python 的 statsmodels 库等工具提供了内置函数（例如，seasonal_decompose()）来自动执行此操作。例如，分解季度收入数据可能会显示一个持续的假日销售高峰，然后可以将其减去以关注潜在的增长。
开发人员还可以使用基于模型的方法，如 SARIMA（季节性自回归综合移动平均），它明确地包含了季节性参数。例如，SARIMA(1,1,1)(1,1,1,12) 包含一个 12 个月周期的季节性自回归和移动平均项。或者，带有虚拟变量（例如，独热编码的月份）的回归模型可以捕获并消除季节性影响。在实践中，一家零售公司可能会使用 Python 的 pmdarima 库来拟合 SARIMA 模型，然后提取残差来分析非季节性趋势。关键的考虑因素包括检验平稳性（例如，使用 Augmented Dickey-Fuller 检验）和验证季节性是加性的还是乘性的。选择正确的方法取决于数据特征和分析目标，但从简单的差分或分解开始通常可以提供一个清晰的路径。