У меня есть данные таймсерий в pandas DataFrame, которые выглядят так:
ts serial_number device_tp tp
2017-09-19T15:00:00.000Z 4ktpjlv 21.7760333333333 17
2017-09-19T14:00:00.000Z 4ktpjlv 19.8849833333333 16
2017-09-19T13:00:00.000Z 4ktpjlv 18.8565818181818 15
2017-09-19T12:00:00.000Z 4ktpjlv 18.7219666666667 13
2017-09-19T11:00:00.000Z 4ktpjlv 18.8341272727273 13
2017-09-19T10:00:00.000Z 4ktpjlv 18.9697833333333 14
2017-09-19T09:00:00.000Z 4ktpjlv 19.0422416666667 14
Я пытаюсь вычислить коэффициент корреляции Пирсона между tp
и device_tp
и применить алгоритм динамического искажения времени (с использованием fastdtw) к каждому данным, используя скользящее временное окно. Для каждого образца я оглядываюсь на последние 12 часов и вычисляю коэффициент корреляции и расстояние.
Я знаю, что pandas является скользящей функцией, однако она возвращает не фрейм данных, а серию (или массив?). Проблема в том, что и коэффициенту корреляции, и fastdtw для работы нужны два аргумента: df.tp
и df.device_tp
.
Я нахожу другой способ, используя циклы, чтобы добраться до того, что я хочу:
for key, meas in df.iterrows():
now = meas.ts
start_date = now - pd.Timedelta(hours=12)
new_df = df[(df['ts'] >= start_date) & (df['ts'] < now)]
if(new_df.shape[0] > 1):
tp = df.tp.values
device_tp = df.device_tp.values
distance, _ = fastdtw(df['tp'], df['device_tp'])
corr = stats.pearsonr(tp, device_tp)[0]
# ... Predict flag here
if(flag == 0):
output = output.append(meas)
Но, конечно, это действительно неэффективно по времени! Также мне интересно, что было бы лучше сделать это? Я читал кое-что о переопределении функции прокрутки вместо использования встроенной функции pandas, но не понимаю, как это сделать.
Спасибо за помощь !
df["device_tp"].rolling(12, min_periods=2).corr(other=df["tp"])
в части корреляции? - person SamProell   schedule 17.12.2018