（熊猫）自相关图显示什么？

我是一个初学者，我想了解自相关图显示的内容。

我已经从不同来源（例如此页面或相关的Wikipedia页面）中阅读了一些解释，这里我不在此引用。

我有这个非常简单的代码，在那里我有我的索引日期一年和值简单地从0增加至365对每个指标。（ 1984-01-01:0, 1984-01-02:1 ... 1984-12-31:365）

import numpy as np
import pandas as pd
from pandas.plotting import autocorrelation_plot
import matplotlib.pyplot as plt

dr = pd.date_range(start='1984-01-01', end='1984-12-31')

df = pd.DataFrame(np.arange(len(dr)), index=dr, columns=["Values"])
autocorrelation_plot(df)
plt.show()

打印的图形将在哪里

我可以理解并查看为什么图形从以下位置1.00开始：

滞后为零的自相关始终等于1，因为这表示每个项与其自身之间的自相关。值和滞后为零的值将始终相同。

很好，但是为什么此图在滞后50时的值约为0.65？为什么会降到0以下？如果我没有显示自己的代码，是否可以推断出该自相关图显示了一个递增值的时间序列？如果是这样，您可以尝试向初学者解释它如何演绎吗？

$h$

$$\hat{\gamma}(h) = \frac{1}{n} \sum_{t=1}^{n-\mid h \mid} (x_{t+h} - \bar{x})(x_t - \bar{x})$$

$h$$h$$t$$t+h$

$183$$h = 130$

$t = 234$$t+h=365$

$t= 1$$t = 53$$t + h$

然后，从到，估计的相关性将为负，因为它们呈负方向变位。t = $t=54$$t=182$

最后，从到，估计的相关性将再次为正，因为和都将高于平均值。t = 234 t t + $t = 183$$t = 234$$t$$t+h$

您是否看到由于正协变点和负协变点对自协方差函数的贡献大致相等，这将如何导致相关性平均化？

您可能会注意到，负共变的点比正共变的点多。但是，从直观上讲，正协变点的幅度更大（因为它们离均值较远），而负协变点的自协方差函数的幅值较小，因为它们变近了均值。因此，这导致近似为零的自协方差函数。