python - 如何使用 Pandas 获取两个时间序列之间的相关性

Question

我有两组温度日期，它们有规律(但不同)时间间隔的读数。我正在尝试获取这两组数据之间的相关性。

我一直在玩 Pandas尝试这样做。我创建了两个时间序列，并且正在使用 TimeSeriesA.corr(TimeSeriesB)。但是，如果 2 个 timeSeries 中的时间不完全匹配(它们通常相差几秒)，我会得到 Null 作为答案。如果可以的话，我可以获得一个像样的答案:

a) 在每个 TimeSeries 中插入/填充缺失的时间(我知道这在 Pandas 中是可能的，我只是不知道该怎么做)

b) 从 python 日期时间对象中去除秒数(将秒数设置为 00，不更改分钟数)。我会失去一定程度的准确性，但不会损失很大

c) 在 Pandas 中使用其他东西来获取两个时间序列之间的相关性

d) 在 python 中使用一些东西来获得两个 float 列表之间的相关性，每个 float 都有一个相应的日期时间对象，同时考虑到时间。

有人有什么建议吗？

Answer 1

使用 pandas 您有多种选择，但您必须决定对齐数据的意义，因为它们不会同时出现。

使用其中一个时间序列中“截至”时间的值，这是一个示例:

    In [15]: ts
    Out[15]: 
    2000-01-03 00:00:00    -0.722808451504
    2000-01-04 00:00:00    0.0125041039477
    2000-01-05 00:00:00    0.777515530539
    2000-01-06 00:00:00    -0.35714026263
    2000-01-07 00:00:00    -1.55213541118
    2000-01-10 00:00:00    -0.508166334892
    2000-01-11 00:00:00    0.58016097981
    2000-01-12 00:00:00    1.50766289013
    2000-01-13 00:00:00    -1.11114968643
    2000-01-14 00:00:00    0.259320239297



    In [16]: ts2
    Out[16]: 
    2000-01-03 00:00:30    1.05595278907
    2000-01-04 00:00:30    -0.568961755792
    2000-01-05 00:00:30    0.660511172645
    2000-01-06 00:00:30    -0.0327384421979
    2000-01-07 00:00:30    0.158094407533
    2000-01-10 00:00:30    -0.321679671377
    2000-01-11 00:00:30    0.977286027619
    2000-01-12 00:00:30    -0.603541295894
    2000-01-13 00:00:30    1.15993249209
    2000-01-14 00:00:30    -0.229379534767

您可以看到它们关闭了 30 秒。 reindex 函数使您能够在填充正向值(获取“截至”值)时对齐数据:

    In [17]: ts.reindex(ts2.index, method='pad')
    Out[17]: 
    2000-01-03 00:00:30    -0.722808451504
    2000-01-04 00:00:30    0.0125041039477
    2000-01-05 00:00:30    0.777515530539
    2000-01-06 00:00:30    -0.35714026263
    2000-01-07 00:00:30    -1.55213541118
    2000-01-10 00:00:30    -0.508166334892
    2000-01-11 00:00:30    0.58016097981
    2000-01-12 00:00:30    1.50766289013
    2000-01-13 00:00:30    -1.11114968643
    2000-01-14 00:00:30    0.259320239297

    In [18]: ts2.corr(ts.reindex(ts2.index, method='pad'))
    Out[18]: -0.31004148593302283

请注意，“pad”也被称为“ffill”(但目前仅在 GitHub 上最新版本的 pandas 中使用!)。

从所有日期时间中去除秒数。最好的方法是使用 rename

    In [25]: ts2.rename(lambda date: date.replace(second=0))
    Out[25]: 
    2000-01-03 00:00:00    1.05595278907
    2000-01-04 00:00:00    -0.568961755792
    2000-01-05 00:00:00    0.660511172645
    2000-01-06 00:00:00    -0.0327384421979
    2000-01-07 00:00:00    0.158094407533
    2000-01-10 00:00:00    -0.321679671377
    2000-01-11 00:00:00    0.977286027619
    2000-01-12 00:00:00    -0.603541295894
    2000-01-13 00:00:00    1.15993249209
    2000-01-14 00:00:00    -0.229379534767

请注意，如果重命名导致重复日期，则会抛出 Exception。

对于更高级的东西，假设您想关联每分钟的平均值(每秒有多个观察值):

    In [31]: ts_mean = ts.groupby(lambda date: date.replace(second=0)).mean()

    In [32]: ts2_mean = ts2.groupby(lambda date: date.replace(second=0)).mean()

    In [33]: ts_mean.corr(ts2_mean)
    Out[33]: -0.31004148593302283

如果您没有来自 https://github.com/wesm/pandas 的最新代码，这些最后的代码片段可能无法工作.如果 .mean() 对上述 GroupBy 对象不起作用，请尝试 .agg(np.mean)

希望这对您有所帮助!