我正在尝试对一些数据进行滞后自相关。数据中充满了随机的 nan。数据是一个 NxN 数组,其中 eke_array[i,i] 滞后为零,...eke_array[i,i+n] 滞后 n。在某些时候,这开始返回大于 1 的自相关,特别是在滞后 40 之后,但前几个滞后给出了合理的相关性。
这是我实现的功能:
def auto_corr(eke_array):
nlag = np.shape(eke_array)[0]
eke_lag_0 = []
auto_store = []
std_store = []
for mylag in range(0,80):
autocorr = 0
numvalid = 0
norm = 0
std = 0
for i in range(0, 105):
if i+mylag > 104:
break
lag0 = eke_array[i,i]
lag_itt = eke_array[i,i+mylag]
if not np.isnan(lag_itt):
if not np.isnan(lag0):
numvalid += 1
diff = lag0 - lag_itt
std = std + diff**2
autocorr = autocorr + lag0*lag_itt
print(numvalid, mylag,i )
auto_store.append((autocorr/numvalid))
std_store.append(std / numvalid)
for k in range(105):
eke_lag_0.append(eke_array[k,k])
eke_lag_0 = np.asarray(eke_lag_0)
eke_lag_0 = eke_lag_0[~np.isnan(eke_lag_0)]
norm = np.sum(eke_lag_0 ** 2) / np.size(eke_lag_0)
std_store = np.sqrt(np.asarray(std_store))
auto_store = auto_store/norm
return std_store, auto_store, norm
我以错误的方式正常化。这是互相关,因此归一化是两个滞后时间序列的标准差。
正确标准化自相关函数至关重要。
试试这个:
import numpy as np
def auto_corr(eke_array):
nlag = np.shape(eke_array)[0]
auto_store = []
std_store = []
for mylag in range(0, nlag):
autocorr = 0
numvalid = 0
std = 0
for i in range(0, nlag - mylag):
lag0 = eke_array[i, i]
lag_itt = eke_array[i, i + mylag]
if not np.isnan(lag_itt) and not np.isnan(lag0):
numvalid += 1
autocorr += lag0 * lag_itt
std += (lag0 - lag_itt) ** 2
auto_store.append(autocorr / numvalid if numvalid != 0 else np.nan)
std_store.append(np.sqrt(std / numvalid) if numvalid != 0 else np.nan)
eke_diag = np.diag(eke_array)
eke_diag = eke_diag[~np.isnan(eke_diag)]
norm = np.sum(eke_diag ** 2) / len(eke_diag)
std_store = np.array(std_store)
auto_store = np.array(auto_store) / norm
return std_store, auto_store, norm