关于#ar#的问题：arima时间序列预测确定p和q总是显示grgmin错误，看了很多解决方案比如安装statsmodels0.11.1的版本和修改数据类型都没能解决(语言-python)

arima时间序列预测确定p和q
总是显示grgmin错误，看了很多解决方案比如安装statsmodels0.11.1的版本和修改数据类型都没能解决

pmax  =  int(len(data["ggdp"])/10)  #一般阶数不超过length/10
qmax  =  int(len(data["ggdp"])/10)  #一般阶数不超过length/10
bic_matrix  =  []  #bic矩阵
for  p  in  range(pmax+1):
    tmp  =  []
    for  q  in  range(qmax+1):  #存在部分报错，所以用try来跳过报错。
        try:
            tmp.append(ARIMA(data["data"],order=(p,1,q)).fit().bic)
        except:
            tmp.append(None)
    bic_matrix.append(tmp)
bic_matrix  =  pd.DataFrame(bic_matrix)  #从中可以找出最小值
p,q  =  bic_matrix.stack().idxmin()
# #先用stack展平，然后用idxmin找出最小值位置。
print(u'BIC最小的p值和q值为：%s、%s'  %(p,q))

在ARIMA时间序列预测中，确定ARIMA模型的阶数（p、d、q）是一个重要的步骤。对于确定p和q的最优值，可以使用BIC（Bayesian Information Criterion）准则来选择最优模型。然而，您遇到的问题可能是由于数据的某些特性引起的，而不是代码本身的问题。

关于 ValueError: maxlag should be < nobs 错误，这通常是因为模型阶数过高而导致的，超过了数据样本的数量。你可以尝试将 pmax 和 qmax 的值调低，例如将其设置为 5，然后再运行模型来避免这个错误。

此外，您可以尝试对数据进行预处理。对于一些时间序列数据，可能存在季节性、趋势性等特征，需要对数据进行差分处理来消除这些特征。例如，您可以尝试使用 data.diff() 对数据进行一阶差分，并在 ARIMA 模型中使用差分后的数据进行建模。

最后，如果以上方法都不能解决问题，您可以尝试使用其他时间序列预测模型，例如 Prophet 或 LSTM，这些模型可能更适合您的数

根据你提供的代码，可能存在以下问题：

data["data"]是否正确指向了你要预测的时间序列数据，需要确认一下。
可能存在一些数据格式或者数据类型上的问题，需要进一步检查和调整。你可以尝试使用data["data"].astype(float)将数据类型转换为float类型。另外，还需要确保数据中不存在缺失值。
可能存在一些模型拟合方面的问题，需要尝试调整模型的参数，比如将order的参数从(p, 1, q)调整为(p, 0, q)，或者尝试其他参数组合。
另外，也需要检查一下是否安装了必要的依赖库，比如numpy、scipy、pandas和statsmodels等。

在进行ARIMA模型参数的选择时，通常可以使用AIC或BIC等标准来进行选择，以获得较好的模型拟合效果。其中BIC（Bayesian Information Criterion，贝叶斯信息准则）是一种常用的模型选择准则，具有较好的准确性和鲁棒性。

在给定一组数据之后，可以通过BIC最小的原则来选择ARIMA模型的最优参数。具体步骤如下：

1.设置p和q的最大值，一般取为序列长度的十分之一左右，避免模型过于复杂而造成过拟合。

2.针对每个p和q的组合，计算ARIMA模型的BIC值。

3.将BIC值存储在一个矩阵中，并选取其中最小的值对应的p和q作为ARIMA模型的最优参数。

在你提供的代码中，可以看到在计算BIC值时使用了ARIMA(data["data"],order=(p,1,q))来拟合ARIMA模型。这里需要注意的是，ARIMA模型中的d参数为1，因为一般需要对原始数据进行差分操作才能得到平稳时间序列。

至于grgmin错误，这可能是由于数据中存在缺失值或异常值导致的，你可以尝试先进行数据清洗或处理，或者在拟合ARIMA模型时加入更多的参数，比如ARIMA(data["data"],order=(p,1,q),missing='raise')来处理缺失值。

如果你还想使用Python中的roboticstoolbox来构建FANUC ER-4iA机器人，可以参考该工具箱提供的示例代码和文档进行操作，它提供了丰富的机器人模型和仿真功能。