ARIMA（自回归移动平均模型）和SARIMAX（季节性自回归移动平均模型）是常用的时间序列预测方法。下面是一个使用ARIMA/SARIMAX进行时间序列预测的示例。

首先，我们需要导入所需的库和数据集。这里我们使用一个简单的时间序列数据集，例如气温数据集：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 导入数据集
data = pd.read_csv('temperature.csv')

接下来，我们需要对数据进行预处理，确保时间序列的索引正确设置。然后，我们可以拟合ARIMA模型并进行预测：

# 设置时间序列索引
data['Date'] = pd.to_datetime(data['Date'])
data.set_index('Date', inplace=True)

# 拟合ARIMA模型
model = ARIMA(data, order=(1, 1, 1))
model_fit = model.fit()

# 进行预测
forecast = model_fit.predict(start=len(data), end=len(data)+10)

如果数据集具有季节性，我们可以使用SARIMAX模型，该模型考虑了季节性的影响：

# 拟合SARIMAX模型
model = SARIMAX(data, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
model_fit = model.fit()

# 进行预测
forecast = model_fit.predict(start=len(data), end=len(data)+10)

以上代码示例中，我们使用了statsmodels库中的ARIMA和SARIMAX模型。其中，order参数指定了ARIMA模型的阶数，而seasonal_order参数指定了SARIMAX模型的季节性阶数。

注意，以上代码仅为示例，实际应用中，我们需要根据数据的特点来选择合适的ARIMA/SARIMAX模型参数，并进行模型的评估和调优。

希望以上示例能够帮助您理解如何使用ARIMA/SARIMAX进行时间序列预测。