時序數據分析——周期性-平穩性檢驗

時間序列分析，即輸入特征都是與時間相關的數據，同時需要考慮周期、趨勢、節假日、突變等因素，通過一些手段來分析時間序列的特點，發現其中的變化規律，并用于預測未來時序數據的統計技術。分析時間序列，進行合理預測，做到提前掌握未來的發展趨勢，為業務決策提供依據，這也是決策科學化的前提。

代碼塊導入

在NAIE訓練平臺的JupyterLab界面操作時，不需要手動添加這一部分，因為在新創建的特征工程下已經包含了導入代碼。

import os os.chdir("/home/ma-user/work/test_anomaly_detection_noah") from naie.context import Context from naie.datasets import data_reference from naie.feature_processing import data_flow from naie.feature_analysis import data_analysis from naie.feature_processing.expression import col, cols, cond, f_and, f_not, f_or from naie.common.data.typedefinition import StepType, ColumnRelationship, JoinType, ColumnSelector,DynamicColumnsSelectorDetails, StaticColumnsSelectorDetails, ColumnsSelectorDetails, DataProcessMode

選擇數據1

如果是在NAIE平臺上操作，則以下代碼可通過點擊菜單欄中“數據集”下的“選擇數據”自動生成。

dataset = 'ts_data' dataset_entity = 'ts_decomposition' attrs={'is_time_series': True, 'time_column': 'time', 'time_format': 'timestamp(s)'} datareference = data_reference.get_data_reference(dataset, dataset_entity, attrs=attrs) dataflow = data_flow.create_data_flow(datareference) dataflow.to_pandas_dataframe()

1. 周期檢測

檢測給定時序數據的周期，或判斷指定的周期是否為時序數據的周期

參數：

data: 時序數據，可以是dataframe，數據路徑或者dataflow

columns: 待進行時序數據分析的目標列，list類型

id_column: 代表時序數據id列，沒有id列則使用默認值None，即認為整個數據為同一個id下的數據

time_column: 時序數據的時間列，沒有時間列則使用默認值None. 如果不為None，則會根據給定的時間列對時序數據排序

specified_period: 待驗證的指定周期，以樣本為單位，默認為None。若為None，則根據{'day', 'week', 'month', 'quarter', 'year'}進行遍歷周期檢測。

返回：

如果時序數據具有周期，則返回檢測到的周期，否則返回None。如果給定待檢驗周期，則檢測其是時序的周期時返回True，否則返回False.

from naie.ts_data_analysis import PeriodicityTest

# 周期檢測 pt = PeriodicityTest(dataflow, columns=['traffic'], time_column='time') result = pt.fit() print('Periodicity test: ') result

Periodicity test:

# 周期驗證 pt = PeriodicityTest(dataflow, columns=['traffic'], time_column='time') result = pt.fit(specified_period=8640) print('Periodicity test: ') result

Periodicity test:

選擇數據2

dataset = 'ts_data_analysis' dataset_entity = 'ts_analysis' datareference = data_reference.get_data_reference(dataset, dataset_entity) dataflow = data_flow.create_data_flow(datareference)

2. 平穩性判斷

參數：

significance_level: 顯著性水平

返回：

如果數據平穩，則返回True；否則，返回False

from naie.ts_data_analysis import StationarityTest

st = StationarityTest(data=dataflow, columns=['col_1_20_100', 'col_1_200_100'], id_column=None, time_column=None) result = st.fit(significance_level=0.001) print('Stationarity test: ') result

Stationarity test:

NAIE SDK幫助文檔匯總請參考：

數據挖掘

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。