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，它们以规则（但不同）的时间间隔读取读数。我正在尝试获取这两组数据之间的相关性。

我一直在玩Pandas来尝试做到这一点。我创建了两个时间序列，并且正在使用

TimeSeriesA.corr(TimeSeriesB)

。但是，如果两个 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，我可以获得一个不错的答案：

a）在每个时间序列中插入/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

datetime

对象中删除秒（将秒设置为 00，而不更改分钟）。我会失去一定程度的准确性，但不会很大

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) 使用 python 中的某些东西来获取两个浮点数列表之间的相关性，每个浮点数都有一个相应的

datetime

对象，同时考虑到时间。

大家有什么建议吗？

Answer 1

使用 pandas 有多种选择，但您必须决定如何对齐数据，因为它们不会同时发生。

使用某个时间序列中“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

您可以看到这些已关闭 30 秒。

reindex

函数使您能够在填充前向值时对齐数据（获取“当前”值）：

    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”也是“ffill”的别名（但仅在 GitHub 上最新版本的 pandas 中！）。

从所有日期时间中删除秒。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，如果重命名导致出现重复日期，则会抛出

Exception

。

对于更高级的东西，假设您想要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 https://github.com/wesm/pandas 的最新代码，最后的代码片段可能无法工作。如果

.mean()

不适用于上面的

GroupBy

对象，请尝试

.agg(np.mean)

希望这有帮助！

Answer 2

通过改变时间戳，您可能会失去一些准确性。您可以对时间序列执行外连接，用 0 填充 NaN 值，然后您将获得整个时间戳（要么是共享时间戳，要么只属于其中一个数据集）。然后，您可能需要对新数据集的列执行相关函数，这将为您提供所需的结果，而不会损失准确性。这是我处理时间序列时的代码：

t12 = t1.join(t2, lsuffix='_t1', rsuffix='_t2', how ='outer').fillna(0)

t12.corr()

这样您将拥有所有时间戳。