Автор оригинала: Team Python Pool.

Взлом Кода Автокорреляции Python

Привет, кодеры!! В этой статье мы будем обсуждать автокорреляцию в Python. Мы используем автокорреляцию для измерения набора текущих значений по сравнению с прошлыми значениями, чтобы увидеть, коррелируют ли они. Он в основном используется для анализа и прогнозирования временных рядов. Давайте подробнее рассмотрим эту тему.

Что такое автокорреляционный график в Python?

Графики автокорреляции – это распространенный инструмент, используемый для проверки случайности в данном наборе данных. Он в основном используется для анализа и прогнозирования временных рядов. Он используется для графического суммирования силы связи с наблюдением во временном ряду с наблюдениями на предыдущих временных шагах.

Характеристики Автокорреляционного Графика в Python:

Колеблется от +1 до -1. +1: если временной ряд один увеличивается в значении, то временной ряд 2 также увеличивается -1: Если временной ряд один увеличивается в значении, то временной ряд 2 уменьшается

Синтаксис:

matplotlib.pyplot.acorr(x, *,, **kwargs)

Параметры:

x: a последовательность скаляров. detrend: необязательный параметр. Значение по умолчанию: mlab.detrend_none. Значение по умолчанию: mlab.detrend_none. normed: необязательный параметр, имеющий значение bool.Значение по умолчанию: True. Значение по умолчанию: True. usevlines: необязательный параметр, имеющий значение bool.Значение по умолчанию: True. Значение по умолчанию: True. maxlags: необязательный параметр, имеющий целочисленное значение.Значение по умолчанию: 10 Значение по умолчанию: 10 linestyle: необязательный параметр, используемый для построения точек данных, когда usevlines имеет значение False. маркер: необязательный параметр, имеющий строковое значение.Значение по умолчанию: ‘o’ Значение по умолчанию: ‘o’

Пример:

import matplotlib.pyplot as plt 
import numpy as np 
 .array([1.0,20,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0,13.0,14.0,15.0,16.0,17.0,18.0,19.0,20.0]) 
 
plt.title("Autocorrelation Plot") 

plt.xlabel("Lags") 

plt.acorr(data,) 


plt.show()

Выход:

Выход

В этом примере мы сначала создали наши данные в виде массива элементов с помощью модуля NumPy Python. Затем мы указали название и метку нашего графика. Наконец, мы использовали метод acorn() модуля matplotlib для построения графика автокорреляции python определенных данных.

import matplotlib.pyplot as plt 
import numpy as np 

np.random.seed(30) 
 .random.randn(20) 

plt.title("Autocorrelation Plot") 

plt.xlabel("Lags") 

plt.acorr(data,) 


plt.show()

Выход:

Выход

В этом примере мы использовали случайную функцию для получения данных и использовали эти данные для построения нашего графика автокорреляции в Python.

Python автокорреляция временных рядов:

Для этого мы будем использовать href=”https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-min-temperatures.csv”>набор данных о минимальных суточных температурах. href=”https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-min-temperatures.csv”>набор данных о минимальных суточных температурах.

from pandas import read_csv
from matplotlib import pyplot('data.csv',,)
data.plot()
pyplot.show()

Выход

Когда мы выполняем приведенный выше код, он создает линейный график временного ряда.

Теперь мы будем использовать функцию plot_acf() для расчета и построения графика автокорреляции для минимальной дневной температуры.

from statsmodels.graphics.tsaplots import plot_acf
plot_acf(data)
pyplot.show()

Выход

Выполнение приведенного выше кода создаст 2D-график, показывающий значение лага вдоль оси x и корреляцию по оси y между -1 и 1.

Самый быстрый способ автокорреляции больших массивов python:

numpy.correlate() можно использовать для определения перекрестной корреляции между двумя 1D последовательностями.

Синтаксис:

numpy.correlate(a, v,)

Параметры:

a,v: Входные последовательности режим: свернуть строку документа

Возвращаемое значение:

Дискретная кросс-корреляция a и v

import numpy as np

a = [1,2,3] 
v = [4,5,6] 

print(np.correlate(a, v, "same"))

Выход:

[17 32 23]

В этом примере мы использовали метод correlate() для вычисления корреляции, которая обычно определяется в текстах обработки сигналов: a[n+k] * conj(v[n])

Применение автокорреляции Python:

Распознавание образов Оценка высоты тона Обнаружение сигнала Технический анализ запасов Обработка сигналов

Надо Читать

Ряды Фибоначчи в Python Использование панд в CSV() с совершенством Sep в Python рассол в Python Объяснен Примерами

Вывод:

На этом мы заканчиваем нашу статью. Мы подробно изучили график автокорреляции python. Мы изучили его требования, синтаксис, а также приложения того же самого.

Однако, если у вас есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.

Счастливого Пифонирования!