pandas autocorr可以处理不规则的时间序列样本数据吗？
pandas autocorr是pandas库中的一个函数，用于计算时间序列数据的自相关性。它可以处理不规则的时间序列样本数据。
自相关性是指时间序列数据中当前观测值与之前观测值之间的相关性。通过计算自相关性，我们可以了解时间序列数据中的周期性和趋势性。
对于不规则的时间序列样本数据，pandas autocorr函数可以正确处理。它会自动识别时间序列数据中的时间间隔，并计算出相应的自相关系数。
pandas是一个强大的数据分析工具，提供了丰富的函数和方法来处理和分析时间序列数据。除了计算自相关性，pandas还可以进行数据清洗、重采样、滑动窗口计算等操作，方便用户进行时间序列数据的分析和建模。
在腾讯云的产品中，与时间序列数据分析相关的产品有腾讯云时序数据库TSDB和腾讯云数据仓库CDW。TSDB是一种高性能、高可靠的时序数据存储和查询服务，适用于存储和分析大规模的时间序列数据。CDW是一种云原生的数据仓库服务，提供了强大的数据分析和查询功能，可以方便地进行时间序列数据的处理和分析。
更多关于腾讯云TSDB和CDW的信息，请访问以下链接：
- 腾讯云时序数据库TSDB：https://cloud.tencent.com/product/tsdb
- 腾讯云数据仓库CDW：https://cloud.tencent.com/product/cdw
总结：pandas autocorr函数可以处理不规则的时间序列样本数据，腾讯云提供了TSDB和CDW等产品来支持时间序列数据的存储和分析。
相关·内容
我有一个带有datetime索引的dataframe，其中数据被不规则地采样( datetime索引有间隙，即使在没有间隙的地方，样本之间的间隔也是不同的)。
如果我这样做了：
df‘’my column'.autocorr(my_lag)
这样行得通吗？autocorr知道如何处理不规则采样的日期时间数据吗？
浏览 47提问于2019-10-25得票数 0
我在计算股票收益的自相关函数。为此，我测试了两个函数，一个是内置于Pandas中的autocorr函数，另一个是statsmodels.tsa提供的acf函数。这是在以下MWE中完成的：
import pandas as pd
from pandas_datareader import data
import matplotlib.pyplot as plt
import datetime
from dateutil.relativedelta import relativedelta
from statsmodels.tsa.stattools import acf, pacf
ticke
浏览 2提问于2016-03-16得票数 39
回答已采纳
我有一个包含按时间索引的时间序列的dataframe，但是具有不规则的时间增量，如下所示
df
time x
2018-08-18 17:45:08 1.4562
2018-08-18 17:46:55 1.4901
2018-08-18 17:51:21 1.8012
...
2020-03-21 04:17:19 0.7623
2020-03-21 05:01:02 0.8231
2020-03-21 05:02:34 0.8038
我想做的是得到两个(按时间顺序)最近的值的每日差值，也就是第二天最接近的时间。例如，如果2018-0
浏览 0提问于2020-05-26得票数 1
回答已采纳
1回答
我们计划将传感器时间序列数据存储在cassandra中，并使用spark/spark-ts应用机器学习算法。
与文档中不同的是，我们的时间序列数据是不规则的-- --因为传感器发送基于数据事件的数据。
但大多数算法和模型都需要有规律的时间序列。
spark-ts是否提供了将不规则时间序列转换为规则时间序列的函数(使用插值或时间加权平均值等)？
如果没有，建议采取什么办法来解决这个问题？
浏览 1提问于2016-05-31得票数 4
1回答
如何从FFT中提取特征？
、、、
我正在收集数据，从X，Y和Z加速度传感器采样在200赫兹。3轴被组合成一个叫做'XYZ_Acc‘的单一信号。我学习了关于如何使用库将时域信号转换为频域的教程。
下面是我使用的代码：
from scipy.fftpack import fft
# get a 500ms slice from dataframe
sample500ms = df.loc[pd.to_datetime('2019-12-15 11:01:31.000'):pd.to_datetime('2019-12-15 11:01:31.495')]['XYZ_Acc'
浏览 1提问于2020-01-05得票数 7
回答已采纳
我正在用python绘制自相关函数。我使用了三种方法: 1.熊猫，2. matplotlib，3. statsmodel。我发现我从matplotlib得到的图表与其他两个不一致。代码是：
from statsmodels.graphics.tsaplots import *
# print out data
print mydata.values
#1. pandas
p=autocorrelation_plot(mydata)
plt.title('mydata')
#2. matplotlib
fig=plt.figure()
plt.acorr(m
浏览 3提问于2014-12-18得票数 12
回答已采纳
我有一个相当基本的问题。我试图拟合一个非常基本的AR1模型y(t) =a+ b* y(t-1) + epsilon
样本数据：
import numpy as np
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
np.random.seed(42)
lData = np.random.normal(size=100)
lData = pd.Series(lData)
lData.autocorr()
上述程序给出了自相关系数as -0.0215481。
lAR1 = ARIMA(lData, order =
浏览 0提问于2021-03-06得票数 1
回答已采纳
我有一个有规律的时间序列和一个不规则日期的DatetimeIndex。我想获得一个新的不规则时间序列，其中不规则时间是使用标准方法之一从常规时间填充的("ffill“是我想要的)。
import pandas as pd
times = pd.date_range(start="2000-01-01 00:00", periods = 12, freq="H")
df = pd.DataFrame({"val":np.arange(12)},index=times)
newtimes = pd.DatetimeIndex(["
浏览 0提问于2019-07-16得票数 0
1回答
Matlab函数autocorr (文档)使用快速傅立叶变换(FFT)算法计算单个时间序列的样本自相关：
nFFT = 2^(nextpow2(length(y))+1);
F = fft(y-mean(y),nFFT);
F = F.*conj(F);
acf = ifft(F);
acf = acf(1:(numLags+1)); % Retain non-negative lags
acf = acf./acf(1); % Normalize
acf = real(acf);
假设我有同一随机过程(时间序列)的多个实现，并且我想计算样本自相关。一种天真的方法是为每个时间序列调用autoc
浏览 0提问于2016-10-12得票数 3
2回答
我需要代表一系列事件。这些事件有点不寻常，因为它们是：
非毗连
不重叠
不规则持续时间
例如：
1200 - 1203
1210-1225
1304 - 1502
我想用Pandas.PeriodIndex来表示这些事件，但我不知道如何创建具有不规则持续时间的Period对象。
我有两个问题：
是否有一种方法可以使用现有的Pandas功能创建具有不规则持续时间的Period对象？
如果没有，您能否建议如何修改Pandas以提供不规则的持续时间Period对象？(建议可以“使用具有适当构造的onOffset、前滚、回滚和应用方法的自定义DateOf
浏览 1提问于2013-08-28得票数 18
3回答
不规则时间序列的滚动回归
、、、
摘要(tldr)
我需要对不规则的时间序列(即间隔甚至不是周期性的，从0, 1, 2, 3...到...7, 20, 24, 28...)执行滚动回归，这是简单的数字，不一定需要日期/时间，但是滚动窗口需要 by time。因此，如果我有一个时间序列是不规则采样600秒，窗口是30，回归是每30秒，而不是每30个样本。
我读过一些例子，虽然我可以按时间复制滚动和中间值，但我似乎无法找到回归的方法。
问题所在
首先，我阅读了与对不规则时间序列数据执行滚动函数有关的其他一些问题，例如：和。
问题是，到目前为止，所提供的例子对于像sum或median这样的方程来说很简单，但我还没有弄清楚如何执行简单
浏览 7提问于2017-10-21得票数 2
1回答
我正在寻找以下函数的修改，以便对每一行进行自相关计算，而不仅仅是对第一行。
下面的函数是我使用的函数：
import pandas as pd
import numpy as np
df = pd.read_excel("directory\\file.xlsx")
def autocorr(x, t):
y = np.corrcoef(np.array([x[0:len(x)-t], x[t:len(x)]]))
return y
df1 = df.copy(deep=True)
for index,row in df1.iterrows():
浏览 1提问于2018-12-08得票数 0
回答已采纳
1回答
我有一个很大的时间序列(> 500)，我只想选择那些是周期的。我做了一些文献研究，我发现我应该寻找自相关。使用numpy，我将自相关计算为：
def autocorr(x):
norm = x - np.mean(x)
result = np.correlate(norm, norm, mode='full')
acorr = result[result.size/2:]
acorr /= ( x.var() * np.arange(x.size, 0, -1) )
return acorr
这将返回一组系数(r?)当情节应该告诉我
浏览 2提问于2017-11-17得票数 10
回答已采纳
我使用autocorrelation_plot绘制了一条直线的自相关：
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&
浏览 6提问于2019-01-03得票数 3
我是python的新手，我的目标是将多个不规则的时间序列对齐成一个规则的对象。我只在一个时间序列上尝试了这种简单的实现，其中dts是一个常规的日期时间数组(包括时区)，mydates包含不规则日期(类似类型)，myts存储不规则数据值：
regts = [None] * len(dts)
for j in range(len(mydates)):
idx = dts.index(mydates[j])
regts[idx] = myts[j]
对于1000的长度，速度是可以接受的，但是由于数据集的大小，它会变得非常慢。我相信有很多有效的方法可以做
浏览 0提问于2018-12-08得票数 0
1回答
不正确的正弦波自相关
、、、
我产生的基本正弦波如下：
import numpy as np
x = np.linspace(-10, 10, 200)
x = np.sin(x)
这在绘制时看起来是正确的：
import matplotlib.pyplot as plt
plt.plot(x)
plt.show()
但是当我试图计算和绘制这个信号的归一化自相关时，我得到了一些奇怪的结果：
autocorr = np.correlate(x, x, mode='full')
autocorr /= autocorr[autocorr.argmax()] # Normalize a
浏览 2提问于2017-04-27得票数 1
回答已采纳
1回答
我有一个关于批次大小和顺序长度的问题。假设我有10个不同的独立时间序列，每个时间序列的长度为100。
5指从事一项活动的人，另5名是从事另一项活动的人。
我想要创建一个LSTM，它能够从每个序列中的第一个样本一直记住序列，并对我输入到一个活动中的测试样本进行分类。
现在，第一次尝试，假设我可以输入长度为100的测试样本。我该怎么做？我会创建一个LSTM，然后一次输入形状为10,100，1的数据吗？或者我会输入形状为1,100，10次的数据吗？这里的问题是，批处理是否会影响LSTM将如何记忆过去的输入？我不希望LSTM在独立序列之间记住，但我确实希望它从每个时间序列的开头一直记住。
第二，假设我
浏览 0提问于2018-07-27得票数 0
我想在Google Trends的历史数据中找到自相关性。非官方API使用Pandas Dataframes，我决定使用它的内置自相关函数，代码如下：
from pytrends.request import TrendReq
z = ["animales"]
google_username = "xxx@gmail.com"
google_password = "xxxxxxxxx"
path = ""
pytrend = TrendReq(google_username, google_password, custom_
浏览 1提问于2017-06-09得票数 2
如何在Matlab中检验时间序列x(t) (t=1,2...n)是否是白噪声？
x(t)不一定是高斯的。kstest()将无法工作。autocorr(X)仅测试自相关性；它不会显示每个t的平均值为零。
谢谢
浏览 0提问于2013-10-06得票数 0
我正在处理大约1000个样本的数据帧。在特定的列中，大约有800个样本具有有效数据，200个样本的缺失值不规则地分散在总体中。 我已经提取了缺少值的样本，并填充了来自不同数据集中的有效数据作为csv。 我正在尝试用校正后的值更新原始数据帧，但我发现这比我认为的要困难得多，但我已经盯着它看了足够长的时间，我觉得我再也看不到树木了。 要在代码中说明该问题，请执行以下操作： import pandas as pd
import numpy as np
df_master = pd.DataFrame({'id':[1, 2, 3, 4, 5, 6],
浏览 34提问于2021-11-16得票数 1
回答已采纳
我有两个数据序列，它们都包含一个间隔不规则、毫秒分辨率的时间戳列。我在这里的目标是匹配行，以便对于每个匹配的行，1)第一个时间戳总是小于或等于第二个时间戳，2)匹配的时间戳是所有满足1的时间戳最接近的。
有什么方法可以用pandas.merge来完成吗？
浏览 5提问于2014-01-18得票数 24
回答已采纳
1回答
我有一些非规则采样的一维数据(时间序列数据)，即非恒定采样率。我想把这些数据转换成一个定期抽样(统一抽样率)的时间序列。我曾尝试过用线性插值来实现这一点，但是，当样本之间的时间有很大的变化时，这并不是很有效。这并不令人惊讶。我还尝试了一些特别的方法，这些方法也不是很有效。
我看过几篇关于在不规则网格上使用匹配追踪进行插值的论文；但是，如何使用这种方法在规则网格上获取样本对我来说还不清楚(至少目前还不清楚)。
对于从不规则网格到规则网格(一维数据)的插值算法，我将不胜感激。
浏览 4提问于2013-03-23得票数 1
1回答
熊猫read_sql
、、、
我遇到了以下不规则性，并想分享我的解决方案。
我正在使用Pandas和SQLALCHEMY在Python中从Microsoft sql Server读取SQL表。有一列名为“发生时间”，格式如下："2017-01-01 01:01:11.000“。使用SQLAlchemy读取“发生时间”列，所有内容都以NaN的形式返回。我尝试在pandas.read_sql()方法中设置parse_date参数，但没有成功。
是否还有其他人在使用SQLAlchemy/Pandas从SQL表中读取日期时间列时遇到问题？
浏览 1提问于2017-07-20得票数 0
3回答
与熊猫的互相关(时间滞后相关)？
、、、、
我有各种各样的时间序列，我想把--或者更确切地说，相互关联--联系起来，以找出相关系数在哪一个时差最大。
我找到了 ，并找到了讨论如何处理numpy的答案/链接，但这意味着我必须将数据文件转换为numpy数组。而且，由于我的时间序列往往涵盖不同的时期，我恐怕会陷入混乱。
编辑
对于所有的numpy/scipy方法，我遇到的问题是，它们似乎不知道我的数据的时间序列性质。当我把1940年开始的时间序列和1970年开始的时间序列联系起来时，熊猫corr知道这一点，而np.correlate只产生一个1020个条目(较长序列的长度)，数组中充满了nan。
关于这个问题的各种问题表明，应该有一个解决不同
浏览 6提问于2015-10-16得票数 57
正如标题所述，我正在做多变量时间序列预测。我对这种情况有一些经验，并且能够成功地在TF Keras中建立和训练一个工作模型。
然而，我不知道如何处理多个无关的时间序列样本。我有大约8000独特的样本‘块’与任何地方从800个时间步骤到30000个时间步骤每个样本。当然，我不能将它们连接到一个时间序列中，因为样本2的前一点与样本1的最后一点没有时间关联。
因此，我的解决方案是将每个样本单独放入一个循环中(效率极低)。
我的新想法是可以/应该用空的时间步骤来填充每个样本的开始，返回RNN的数量，然后将填充的样本串联成一个时间序列？这将意味着，第一步将有一个主要是0的回顾数据，这听起来像另一个‘黑客
浏览 2提问于2019-12-03得票数 4
回答已采纳
1回答
关于时态数据的类型，我在一本时态数据挖掘书(Mitsa，Theophano )上看到。时态数据挖掘CRC出版社，2010)，有三种类型的时间数据:时间序列，时态序列和语义时态数据。据提交人称：
时间序列:有规则时间间隔的有序实值测量
时间序列:定期或不规则时间间隔的时间戳
我进一步探讨了两者之间的区别，但对我来说还不清楚，因为据我所理解，时间序列是时间序列的一个特例。时间序列可以接受标称值、符号、离散值、连续值或范畴值，对吗？如上文所述，可以定期或不定期地收集数据。另一方面，时间序列数据只能是固定时间间隔下的连续测量，这似乎是时间序列的一个特例。我解释错了吗？
浏览 0提问于2020-08-28得票数 2
1回答
我有一个包含几个时间序列的数据：
df.head()
0 1 2
time
0.0 0.365035 0.365035 0.365035
1.0 0.349999 0.349999 0.349999
2.0 0.340998 0.340998 0.340998
3.0 0.333877 0.333877 0.333877
4.0 0.326411 0.326411 0.326411
现在，我想计算每一个std和autocorr。
我知道我
浏览 0提问于2018-05-21得票数 1
回答已采纳
1回答
我看到Pandas还不允许 ()，但很快就会添加。我想知道是否有一种好方法可以通过多索引标签/列将滚动窗口均值应用于具有重复时间的数据集
基本上，我有一个无序事件的csv，它由epochtime、分层标记(tag1、tag2)和所用时间组成。一个小样本：
epochTimeMS,event,tag,timeTakenMS
1331782842801,event1,tag1,16
1331782841535,event1,tag2,1278
1331782842801,event1,tag1,17
1331782842381,event2,tag1,436
我想做的是构建和图形滚动手段
浏览 2提问于2012-03-19得票数 4
回答已采纳
2回答
尝试对频率不规则的时间序列数据应用seasonal_decompose。它看起来像这样：
modal_price
Period
2014-11-01 1469
2015-01-01 1258
2015-03-01 1112
2015-04-01 1373
2015-06-01 1370
2015-07-01 1406
2015-08-01 1520
2015-09-01 1860
2015-10-01 1436
2015-11-01 1455
当我使用df.index.freq时，freq结果为None
当我像这样使用seasonal_decom
浏览 0提问于2018-10-25得票数 2
1回答
我试图消除波形中的趋势，它看起来如下所示：
为此，我使用scipy.signal.detrend()，如下所示：
autocorr = scipy.signal.detrend(autocorr)
但我看不出趋势有任何明显的平缓。我得到以下信息：
我的目标是使这种趋势从波形中完全消除。我还需要对它进行推广，以便它可以降低任何波形--无论是线性的、分段线性的、多项式的，等等。
你能建议一种同样的方法吗？
注意:为了复制上述波形，只需运行我用来生成该波形的以下代码：
#Loading Libraries
import warnings
warnings.filterwarnin
浏览 6提问于2022-03-10得票数 0
回答已采纳
Apache与InfluxDB相比，IoT传感器数据需要快速分析(例如机器人技术)？
Kudu最近发布了v1.0，我有几个关于Kudu如何处理以下问题的具体问题：
切分？
数据保留策略(为指定数量的数据点保留数据，或在此之后对数据进行聚合/丢弃)？
是否有卷起/aggregation功能(例如将1s间隔数据转换为1分钟间隔数据)？
是否支持连续查询(即数据查询上的物化视图，以持续查看60秒)？
如何将数据存储在磁盘和内存之间？
规则时间序列可以从不规则时间序列(将不规则事件数据转换为定期时间间隔)中导出吗？
此外，Kudu和InfluxDB之间还有其他明显的优势
浏览 2提问于2016-09-25得票数 3
1回答
晚上好,
我想重新描述一个带有对象类型列的不规则时间序列，但它不起作用。
这是我的样本数据：
Actual start date Ingredients NumberShortage
2002-01-01 LEVOBUNOLOL HYDROCHLORIDE 1
2006-07-30 LEVETIRACETAM 1
2008-03-19 FLAVOXATE HYDROCHLORIDE 1
2010-01-01 LEVOTHYROXINE SODIUM
浏览 12提问于2022-04-05得票数 1
回答已采纳
我有2k时间序列，并希望优化我的预言家模型的超参数。对每个超参数组合的每个时间序列进行训练和评价需要1小时。所以，我想在一个样本上运行它，以加快速度。
选项：
对每个超参数组合使用相同的训练数据样本(我一直在这样做，但我觉得我的钱不值得)
为每个超参数组合使用不同的训练数据样本(给出更多的数据覆盖率，但在混合中抛出另一个变量-我如何确保这组params的性能确实更好，而不仅仅是它在数据上得到了幸运？)
手工创建一个较小的数据集，其中包含一个很好的时间序列组合来测试模型。
我觉得3是正确的答案..。但二号有多坏？你会给我建议吗？
注意：这问题问的是1号的缺点，我是问第二个。
浏览 0提问于2022-10-31得票数 1
我想使用pandas在不规则的时间序列上使用时间窗口来计算移动平均值。理想情况下，应该使用对窗口进行指数加权，但参数(例如span)不接受基于时间的窗口。如果我们尝试使用，我们意识到我们不能将基于时间的窗口与win_type结合起来。
dft = pd.DataFrame({'B': [0, 1, 2, 3, 4]},
index = pd.Index([pd.Timestamp('20130101 09:00:00'),
pd.Timestamp(&
浏览 1提问于2017-11-19得票数 8
我有一个熊猫系列采样在不规则的时间(大约5s，但总是几毫秒由于延迟)。
我能把这些数据绘制成漂亮的x轴刻度标签吗？到目前为止，我只知道：
>>> print(bare_data.index)
<class 'pandas.tseries.index.DatetimeIndex'>
[2012-11-08 12:00:05.130309, ..., 2012-11-09 11:38:18.997584]
Length: 16332, Freq: None, Timezone: None
>>> bare_data.plot()
浏览 4提问于2012-11-12得票数 2
回答已采纳
1回答
如何减少图像异常检测中的假阴性？
、、、、
我目前正在一个质量检查项目工作，我需要开发一个程序，可以检测不规则零件。我面临的问题是，我没有太多的不规则样本(只有7个以上的3000多个常规样本)。我尝试了CNN，但由于样本数量不平衡，模型检测所有的规则，所以我正在探索的方法是使用异常检测算法。我也尝试了自动编码器，但由于规则和不规则之间的差别很小，我无法获得任何好的结果。到目前为止，给我最好结果的方法是结合局部离群点因子和特征提取器(HOG)。唯一的问题是，即使调整了算法的参数，它仍然给我假阳性(正常样本被标记为不规则)，这对于这个应用程序是不可接受的。我能在这个过程中加入什么来消除假阳性吗？你能给我推荐其他方法吗？我真的很感谢你的帮助:
浏览 11提问于2022-02-17得票数 0
1回答
无论是动态时间扭曲，还是时间序列的某种欧几里德k均值聚类，它都是(接近？)总是需要考虑数据的不规则间距、不相等的数据长度和/或数据的缺失。
虽然意识到这些问题中的每一个都有自己的考虑因素，但是为什么不能用样条对每个时间序列进行预处理以插值(或最小限度地外推)数据来改善这些问题呢？
浏览 0提问于2020-02-22得票数 2
1回答
我有两个数据向量，每个都有不同的采样率，在每个向量中，有些样本被遗漏了，所以采样频率不固定。我想把它们映射到一起，这样我就可以在正确的时间比较这两幅图。我知道插值(Matlab中的interp1)可以用来修复单个向量采样频率的不规则性，但如何将这两个向量同时映射为开始和结束。我有每个向量的时间向量，你能指导我解决这个问题的最佳方法吗？
浏览 1提问于2018-03-17得票数 1
回答已采纳
1回答
我有一些被划分为event-related.的值所以并不是每分钟都有相同数量的数据。为了能够更好地处理这些数据，我的目标是只有每分钟取第一行值。
从csv导入数据的时间如下所示：
时间
2011年11月11日11:11
2011年11月11日11:11
2011年11月11日11:11
2011年11月11日11:12
2011年11月11日11:12
2011年11月11日11:13
其他的数值是温度。一个主要的问题是以正确的格式导入时间。我试图用这样的方法来解决这个问题：
with open('my_file.csv','r') as file:
for l
浏览 5提问于2022-01-04得票数 0
1回答
以下是@pltrdy在此威胁中提供的答复：
如何将计算级数上的滞后-N (default=1)自相关的pandas.Series.autocorr()转换为自协方差？
令人遗憾的是，pandas.Series.autocov()命令并没有在熊猫中实现。
浏览 7提问于2022-02-04得票数 0
回答已采纳
2回答
以不规则间隔进行重采样
、、、、
我在pandas数据框中存储了一个规则间隔的时间序列： 1998-01-01 00:00:00 5.71
1998-01-01 12:00:00 5.73
1998-01-02 00:00:00 5.68
1998-01-02 12:00:00 5.69
... 我还有一个不规则间隔的日期列表： 1998-01-01
1998-07-05
1998-09-21
.... 我想计算日期列表中每个时间间隔之间的时间序列的平均值。使用pandas.DataFrame.resample可以做到这一点吗？如果没有，最简单的方法是什么？ 编辑:例如，计算“日期”中日期之间的“序列
浏览 30提问于2019-04-17得票数 1
回答已采纳
对于不规则的时间序列，S和我想要取至少dt分开的点，但不改变它们的时间戳。例如，考虑对以下序列进行采样：
time S
1 5
2 1
9 2
11 34
37 1
41 0
47 2
用dt=10重新采样得到的结果
time S
1 5
11 34
37 1
47 2
pandas提供这样的操作吗？
浏览 0提问于2015-10-28得票数 0
2回答
我有一个连续的变量，在一年的时间里以不规则的间隔抽样。有些日子每小时有一次以上的观察，而其他几天没有任何观察。这使得在时间序列中检测模式变得特别困难，因为一些月(例如10月)是高度抽样的，而其他月份则不是。
📷
我的问题是，什么是最好的方法来建模这个时间序列？
我认为大多数时间序列分析技术(如ARMA)都需要固定的频率。我可以聚合数据，以便有一个固定的样本，或者选择一个非常详细的数据子集。使用这两个选项，我将从原始数据集中丢失一些信息，这些信息可能会显示出不同的模式。
我可以用整个数据集来填充模型，并期望它能够获取模式，而不是在循环中分解这个系列。例如，我在分类变量中转换了小时、工作日和月份，
浏览 0提问于2014-11-03得票数 15
在R中，如何对金融(“工作日”)-based时间序列使用霍尔特-温特斯平滑？
(例如，股票数据时间序列具有不规则的时间索引)。
浏览 1提问于2010-10-03得票数 1
1回答
我读到LSTM的内部状态如下：
它总是在批处理中传递，所以从第一个示例的最后一个时间戳到第一个i+1st。
如果LSTM是有状态的，那么状态将在批间传递，因此对于所有索引i，batch_ki的最后一个时间戳处的内存被传递给batch_{k+1}i的第一个时间戳。
对我来说，这引起了几个问题。(如果我的理解有误，请纠正我)
这是否意味着(i+1)st示例的第一个时间戳需要是示例i的最后一个时间步骤的执行者？(对所有我而言)
按照同样的思路，批处理k+1中的第一个样本的第一个时间戳是否必须是批k中第一个样本的最后一个时间戳的收集者？
如果前两个结论是正确的，那么对于有状
浏览 0提问于2018-03-14得票数 0
回答已采纳
我有一个zoo对象，它由时间戳(到第二个)时间序列组成。时间序列是不规则的，因为值之间的时间间隔不是规则间隔的。
我想将不规则间隔的timeseries对象转换为规则间隔的对象，其中值之间的时间间隔是一个常数-比方说15分钟，是“真实世界”的时钟时间。
一些样本数据可能有助于进一步说明
# Sample data
2011-05-05 09:30:04 101.32
2011-05-05 09:30:14 100.09
2011-05-05 09:30:19 99.89
2011-05-05 09:30:35 89.66
2011-05-05 09:30:45 95.16
2011-05-05
浏览 2提问于2012-02-06得票数 3
回答已采纳
1回答
我有一个一维矩阵x，我想要特定的迭代滑动分析窗口，这样每次移动20个样本时，都有50%的重叠。我找到了bsxfun，但我不知道如何调整它以适应我的问题。
我编写了下面的代码，但我没有得到预期的结果。我需要为每次迭代得到autocorr的最大值，对于每个重叠窗口。我得到了一个错误的数目的滞后。
x = rand(1,100);
N = length(x); % length of signal
n1 = 20; % length of analysing window
win_num = floor((N/n1)*2-1); % number of windows
for i=1:win_n
浏览 0提问于2015-03-21得票数 1
回答已采纳
我正在尝试对具有不规则间隔(样条不规则时间)的Highchart时间数据进行一些修改，如下面的
因此，我想修改UTC数组，以便放入一些额外的文本数据。
我将数组改为对象，并将原始示例的UTD数据放入变量"y“中，但没有成功。
提前谢谢。
这是我修改后的代码：
$(function() {
Highcharts.chart('container', {
chart: {
type: 'spline'
},
title: {
text: 'Snow depth at Vikjafjellet,
浏览 2提问于2016-11-07得票数 1
最近，我不断地在Pandas中问问题，这些问题依赖于我正在使用的数据，到目前为止，我需要很长时间才能创建一个与我的数据(可复制的数据框架)相似的数据框架，以便用户能够轻松地将其复制到他们的机器上。
我更希望找到一种方便的方法，这样我就可以在我的问题中打印我的小DF，其他用户可以轻松地收集它，从而以最小的努力创建它。
在R中，我习惯于在控制台的dput函数中打印数据的一个小示例，然后在我的问题(示例)：中打印输出
我注意到了这个解释，但我认为它不适合为其他用户打印数据样本：
在Pandas中是否有一种类似的方法来做到这一点？
提前感谢！
浏览 2提问于2017-11-23得票数 21
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
