让我们在这里设置一些背景，我正在研究一个金融时间序列，它代表 2022 年每一天的每小时电价，所以我有一个包含两列的 Pandas DataFrame：
第一个是 TimeIndex，包含 Pandas 日期时间格式的日期和时间。 第二个包含与每小时相关的价格。
我正在研究这个样本，以便对 2024 年的每小时价格做出一些预测。为此，我想在多个粒度级别（小时、天、周）上深入研究该时间序列中的季节性模式、月份和季度）。
最后我想获得一个由 8760 个标量组成的列向量，对应于一年中定价的 8760 个小时。这些标量代表季节性系数，我将用它来预测来年。
现在我来这里的原因是，我想使用 FFT 和适当的窗口函数来搜索季节性。 我想知道你们应该使用哪种窗口函数来实现此目的，我知道每个窗口函数都有其优点和缺点。 我还想知道应该如何选择窗口的宽度，因为显然这会对执行的 FFT 产生影响。 我也愿意接受有关如何完成这项季节性研究的建议，您会采用其他方式吗？您会使用哪个工具？
这是一个一般性问题，我正在寻找其他人对如何进行这项研究的意见，目前我没有遇到任何特定的编码问题。
如果函数（在时域中）以与开始时不同的值结束，则窗口的形状很重要。
矩形窗口：起点和终点必须相同。如果不是这种情况，您将在频谱中得到该步骤的伪影（起始值和最后值之间的差异）。
Hamming 和 Hanning：这些窗口以更平滑的方式衰减信号的开头和结尾（因此两端都接近于零，并且起始值和最终值之间的阶跃被抑制）。结果是靠近窗口末端的事件被低估，中间的事件被高估。
对于完美的周期信号，完全适合窗口持续时间的矩形窗口是最准确的。如果该周期不适合窗口持续时间，则矩形窗口会产生大多数“窗口折叠伪影”。 理想情况下，使用汉宁或汉明窗，窗口应包含您想要观察的频率的多个周期，以最大限度地减少末端衰减的影响。
其他：大多数技术设备使用汉宁或汉明窗。除此之外，有时也使用高斯形状的窗口。