Есть ли простой способ в python экстраполировать точки данных в будущее?

У меня есть простой массив numpy, для каждой даты есть точка данных. Что-то вроде этого:

>>> import numpy as np
>>> from datetime import date
>>> from datetime import date
>>> x = np.array( [(date(2008,3,5), 4800 ), (date(2008,3,15), 4000 ), (date(2008,3,
20), 3500 ), (date(2008,4,5), 3000 ) ] )

Есть ли простой способ экстраполировать точки данных в будущее: дата (2008,5,1), дата (2008, 5, 20) и т. д.? Я понимаю, что это можно сделать с помощью математических алгоритмов. Но здесь я ищу некоторые низко висящие плоды. На самом деле мне нравится то, что делает numpy.linalg.solve, но это не выглядит применимым для экстраполяции. Может быть, я абсолютно не прав.

На самом деле, чтобы быть более конкретным, я строю диаграмму выгорания (термин xp): «x = дата и y = объем работы, которую нужно выполнить», поэтому у меня есть уже выполненные спринты, и я хочу визуализировать будущие спринты. уйдет, если текущая ситуация сохранится. И напоследок хочу предсказать дату выхода. Таким образом, природа «объема работы, которую необходимо выполнить», такова, что он всегда уменьшается на диаграммах выгорания. Также я хочу получить экстраполированную дату выпуска: дату, когда объем станет равным нулю.

Это все для того, чтобы показать команде разработчиков, как идут дела. Точность здесь не так важна :) Мотивация команды разработчиков — главный фактор. Это означает, что я абсолютно согласен с очень приблизительной техникой экстраполяции.


python numpy interpolation burndowncharts spline
person maplpro    schedule 21.10.2009    source источник
comment
Когда вы искали статистику Python, что вы нашли? Есть вопросы по любому из найденных вами статистических пакетов?   -  person S.Lott    schedule 21.10.2009
comment
Трудно говорить о какой-либо экстраполяции, не зная природы рассматриваемых данных. Вышеупомянутое, насколько можно понять, может быть чем угодно (не исключая случайных значений), так что говорить о каком-либо практическом подходе было бы просто предположением. Уточните вопрос.   -  person Rook    schedule 23.10.2009
comment
ты абсолютно прав! изысканный.   -  person maplpro    schedule 24.10.2009

Ответы (4)


arrow_upward
17
arrow_downward

Экстраполяция слишком проста для создания мусора; попробуй это. Конечно, возможно множество различных экстраполяций; некоторые производят очевидный мусор, некоторые неочевидный мусор, многие плохо определены.

альтернативный текст

""" extrapolate y,m,d data with scipy UnivariateSpline """
import numpy as np
from scipy.interpolate import UnivariateSpline
    # pydoc scipy.interpolate.UnivariateSpline -- fitpack, unclear
from datetime import date
from pylab import *  # ipython -pylab

__version__ = "denis 23oct"


def daynumber( y,m,d ):
    """ 2005,1,1 -> 0  2006,1,1 -> 365 ... """
    return date( y,m,d ).toordinal() - date( 2005,1,1 ).toordinal()

days, values = np.array([
    (daynumber(2005,1,1), 1.2 ),
    (daynumber(2005,4,1), 1.8 ),
    (daynumber(2005,9,1), 5.3 ),
    (daynumber(2005,10,1), 5.3 )
    ]).T
dayswanted = np.array([ daynumber( year, month, 1 )
        for year in range( 2005, 2006+1 )
        for month in range( 1, 12+1 )])

np.set_printoptions( 1 )  # .1f
print "days:", days
print "values:", values
print "dayswanted:", dayswanted

title( "extrapolation with scipy.interpolate.UnivariateSpline" )
plot( days, values, "o" )
for k in (1,2,3):  # line parabola cubicspline
    extrapolator = UnivariateSpline( days, values, k=k )
    y = extrapolator( dayswanted )
    label = "k=%d" % k
    print label, y
    plot( dayswanted, y, label=label  )  # pylab

legend( loc="lower left" )
grid(True)
savefig( "extrapolate-UnivariateSpline.png", dpi=50 )
show()

Добавлено: тикет Scipy говорит: "Поведение классов FITPACK в scipy.interpolate намного сложнее, чем можно было бы предположить из документов» - imho верно и для других документов по программному обеспечению.

person denis    schedule 23.10.2009
comment
Интерполяция — это не экстраполяция, и наоборот. - person tagoma; 14.06.2015

arrow_upward
4
arrow_downward

Простым способом выполнения экстраполяции является использование интерполирующих полиномов или сплайнов: для этого существует множество подпрограмм в scipy.interpolate, и они довольно просты в использовании (просто укажите (x, y) точки, и вы получите функцию [вызываемую, точно]).

Теперь, как было указано в этой теме, вы не можете ожидать, что экстраполяция всегда будет значимой (особенно когда вы находитесь далеко от своих точек данных), если у вас нет модели для ваших данных. Тем не менее, я рекомендую вам поиграть с полиномиальной или сплайновой интерполяцией из scipy.interpolate, чтобы увидеть, подходят ли вам полученные результаты.

person Eric O Lebigot    schedule 21.10.2009

arrow_upward
3
arrow_downward

Математические модели в этом случае — лучший выход. Например, если у вас есть только три точки данных, у вас не может быть абсолютно никаких указаний на то, как будет развиваться тренд (может быть любая из двух парабол).

Получите некоторые курсы статистики и попробуйте реализовать алгоритмы. Попробуйте Викиучебники.

person ty812    schedule 21.10.2009
comment
абсолютно согласен, понимаю это, но хочу уточнить, я просто проверяю, есть ли случайно функция numpy.extrapolate, с аргументом выберите метод экстраполяции :) Вот почему я называю это низко висящими фруктами - person maplpro; 21.10.2009

arrow_upward
1
arrow_downward

Вы должны указать, для какой функции вам нужна экстраполяция. Затем вы можете использовать регрессию http://en.wikipedia.org/wiki/Regression_analysis, чтобы найти параметры функции. И экстраполировать это на будущее.

Например: переведите даты в значения x и используйте первый день как x = 0 для вашей задачи, значения должны быть примерно (0,1,2), (400,1,8), (900,5,3)

Теперь вы решаете, что его точки лежат на функции типа a+bx+cx^2

Используйте метод наименьших квадратов, чтобы найти a, b и c http://en.wikipedia.org/wiki/Linear_least_squares (я предоставлю полный исходный код, но позже, так как у меня нет на это времени)

person Luka Rahne    schedule 21.10.2009