Así pues, pasemos a la fase de tratamiento de los datos no estacionarios. Ya has visto modelos predictivos que puedes utilizar para trabajar con datos estacionarios, pero como la mayoría de los datos son no estacionarios, hay formas de convertirlos.

Hay muchos tipos de transformaciones, como la diferencia, la transformación logarítmica, el cambio proporcional, etc. Pero la idea principal de las transformaciones matemáticas es aplicar alguna función a cada valor de la serie temporal para eliminar la dependencia temporal (esto incluye tendencias y estacionalidad).

Empezaremos con la diferenciación utilizada en el modelo ARIMA. El principio es sencillo: el valor pasado se resta del actual:

Esto permite estabilizar el valor de la serie temporal, haciéndola más constante. Implementemos la transformación de diferencias usando Python:

Pasemos a la transformación logarítmica. Si la diferencia nos permite igualar la media, la transformación logarítmica estabiliza la varianza de la serie temporal. La única limitación es que la transformación logarítmica sólo puede funcionar con valores positivos.

A continuación se muestra el código para la transformación logarítmica (transformación log): ``python importar numpy como np

dataset["log"] = np.log(dataset["Open"]) ```