在使用ARIMA模型进行时间序列分析时，通常会计算模型的残差（residuals）以评估模型的拟合程度。ARIMA模型的残差是指实际观测值与模型预测值之间的差异。

然而，ARIMA模型的残差通常不包含日期信息，因为日期信息通常只用于构建模型，而不用于模型的拟合。以下是如何解决此问题的示例代码：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima_model import ARIMA

# 假设有一个时间序列数据，包含日期和观测值
data = pd.DataFrame({'date': pd.date_range('2020-01-01', '2020-12-31'),
                     'value': np.random.randn(365)})

# 构建ARIMA模型
model = ARIMA(data['value'], order=(1, 0, 1))
model_fit = model.fit(disp=0)

# 计算模型的残差
residuals = pd.Series(model_fit.resid)

# 将残差与日期数据进行合并
residuals_with_date = pd.concat([data['date'], residuals], axis=1)

print(residuals_with_date.head())

在上面的示例中，我们首先创建了一个包含日期和观测值的时间序列数据。然后，我们使用ARIMA函数构建了ARIMA模型，并通过fit方法拟合了模型。最后，我们提取了模型的残差，并使用concat函数将残差与日期数据进行合并。

请注意，由于使用了随机生成的观测值，实际运行的结果可能会有所不同。