Então, vamos avançar para a etapa de processamento de dados não estacionários. Você já viu modelos preditivos que podem ser usados para trabalhar com dados estacionários, mas, uma vez que a maioria dos dados é não-estacionária, existem maneiras de convertê-los.

Existem muitos tipos de transformações, como diferença, transformação logarítmica, mudança proporcional, etc. Mas a ideia principal das transformações matemáticas é aplicar alguma função para cada valor da série temporal para remover a dependência do tempo (isso inclui tendências e sazonalidade).

Começaremos com a diferenciação usada no modelo ARIMA. O princípio é simples - o valor passado é subtraído do atual:

Isso permite estabilizar o valor da série temporal, tornando-a mais constante. Vamos implementar a transformação de diferenças usando Python:

Vamos avançar para a transformação logarítmica. Se a diferença nos permite igualar a média, então a transformação logarítmica estabiliza a variância da série temporal. A única limitação é que a transformação logarítmica só pode trabalhar com valores positivos.

Abaixo está o código para a transformação logarítmica (transformação log):