精华内容
下载资源
问答
  • ts时间序列分析-源码

    2021-02-18 17:12:21
    ts时间序列分析
  • 时间序列分析:ts/mts基础数据类型

    万次阅读 2016-10-25 11:46:20
    时间序列是以时间为索引的数据。时间索引为等间距递增的时间序列称为规则时间序列,其他为不规则时间序列。...R语言中基本的时间序列对象为ts,在stats基本包中定义,由同名构造函数ts()产生。使用前先看看它的参数

    时间序列是以时间为索引的数据。时间索引为等间距递增的时间序列称为规则时间序列,其他为不规则时间序列。由于R语言核心组件的构建坚持以通用性为原则,因此R的基础包中只定义了规则时间序列,而不规则时间序列的定义和处理则留给开发人员做扩展。

    本文先介绍规则时间序列。

    1 ts数据类型

    R语言中基本的时间序列对象为ts,在stats基本包中定义,由同名构造函数ts()产生。使用前先看看它的参数:

    args(ts)
    
    ## function (data = NA, start = 1, end = numeric(), frequency = 1, 
    ##     deltat = 1, ts.eps = getOption("ts.eps"), class = if (nseries > 
    ##         1) c("mts", "ts", "matrix") else "ts", names = if (!is.null(dimnames(data))) colnames(data) else paste("Series", 
    ##         seq(nseries))) 
    ## NULL
    


    参数中最重要的是data、frequency、start和end。

    • data 即时间序列中的观测值,可以是向量或矩阵,或者转换为向量或矩阵的数据类型(如data.frame)。默认为NA。
    • frequency 是一个时间周期中的间隔频率。如果设为12,那么时间序列将自动识别为12个自然月;如果设置为4,识别为4个季度。ts另外一个参数deltat=1/frequency,两者只能设置其中一个。
    • start和end 开始时间和结束时间,长度为1或2。如果长度为2则第二个值设定的是周期中的具体值,从1开始,不大于frequency。
    dt <- sample(1:100, 24)
    ts(dt, freq = 12, start = 2010)
    
    ##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 2010  28  80  85  29  96  45  30  69  70  93  60  42
    ## 2011  63  16  82  81  27  57  10  78  97  51  36  13
    
    ts(dt, freq = 4, start = 2010)
    
    ##      Qtr1 Qtr2 Qtr3 Qtr4
    ## 2010   28   80   85   29
    ## 2011   96   45   30   69
    ## 2012   70   93   60   42
    ## 2013   63   16   82   81
    ## 2014   27   57   10   78
    ## 2015   97   51   36   13
    
    ts(dt, freq = 1, start = 2010)
    
    ## Time Series:
    ## Start = 2010 
    ## End = 2033 
    ## Frequency = 1 
    ##  [1] 28 80 85 29 96 45 30 69 70 93 60 42 63 16 82 81 27 57 10 78 97 51 36
    ## [24] 13
    
    ts(dt, freq = 7, start = 1)
    
    ## Time Series:
    ## Start = c(1, 1) 
    ## End = c(4, 3) 
    ## Frequency = 7 
    ##  [1] 28 80 85 29 96 45 30 69 70 93 60 42 63 16 82 81 27 57 10 78 97 51 36
    ## [24] 13
    
    ts(dt, freq = 12, start = c(2010, 3))
    
    ##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 2010          28  80  85  29  96  45  30  69  70  93
    ## 2011  60  42  63  16  82  81  27  57  10  78  97  51
    ## 2012  36  13
    


    frequency=1/4/12时ts显示形式比较合理,但其他周期数据不甚理想。这是因为ts的本意就是用来存储规则时间序列数据,而年度、季度和月度数据是最常用的。以7天为周期的统计数据相对少见,要想获得一个日历表要费点周折:

    dd <- weekdays(as.Date("2016-10-17") + 0:6)
    nn <- which(weekdays(as.Date("2016-10-01")) == dd)
    print(ts(1:30, freq = 7, start = c(1, nn)), calendar = T)
    
    ##   p1 p2 p3 p4 p5 p6 p7
    ## 1                 1  2
    ## 2  3  4  5  6  7  8  9
    ## 3 10 11 12 13 14 15 16
    ## 4 17 18 19 20 21 22 23
    ## 5 24 25 26 27 28 29 30
    


    data如果是向量,时间序列的class属性为“ts”;如果是matrix,则对象还具有mts(具有相同时间索引的多列数据)和matrix类属性。mts对象用于记录一个时间点上有多个观测指标的数据:

    data(presidents, package = "datasets")
    data(EuStockMarkets, package = "datasets")
    head(presidents)
    
    ## [1] NA 87 82 75 63 50
    
    head(EuStockMarkets)
    
    ##          DAX    SMI    CAC   FTSE
    ## [1,] 1628.75 1678.1 1772.8 2443.6
    ## [2,] 1613.63 1688.5 1750.5 2460.2
    ## [3,] 1606.51 1678.6 1718.0 2448.2
    ## [4,] 1621.04 1684.1 1708.1 2470.4
    ## [5,] 1618.16 1686.6 1723.1 2484.7
    ## [6,] 1610.61 1671.6 1714.3 2466.8
    
    class(presidents)
    
    ## [1] "ts"
    
    class(EuStockMarkets)
    
    ## [1] "mts"    "ts"     "matrix"
    


    函数as.ts()和is.ts()用于ts数据转换和判断。


    2 ts辅助函数

    2.1 获取时间序列属性(tsp)

    每个ts对象都有特定的的start、end和frequency,这三者合称时间序列属性,即tsp(time series properties),可以用tsp()函数获取。R还提供了helper函数用于获取ts的相应属性。

    (ts1 <- ts(dt, start = 2015, frequency = 12))
    
    ##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 2015  28  80  85  29  96  45  30  69  70  93  60  42
    ## 2016  63  16  82  81  27  57  10  78  97  51  36  13
    
    tsp(ts1)
    
    ## [1] 2015.000 2016.917   12.000
    
    start(ts1)
    
    ## [1] 2015    1
    
    end(ts1)
    
    ## [1] 2016   12
    
    frequency(ts1)
    
    ## [1] 12
    
    deltat(ts1)
    
    ## [1] 0.08333333
    


    2.2 获取时间索引

    ts对象的时间索引可以使用time()函数提取,返回值为向量:


    (tt <- time(ts1))
    
    ##           Jan      Feb      Mar      Apr      May      Jun      Jul
    ## 2015 2015.000 2015.083 2015.167 2015.250 2015.333 2015.417 2015.500
    ## 2016 2016.000 2016.083 2016.167 2016.250 2016.333 2016.417 2016.500
    ##           Aug      Sep      Oct      Nov      Dec
    ## 2015 2015.583 2015.667 2015.750 2015.833 2015.917
    ## 2016 2016.583 2016.667 2016.750 2016.833 2016.917
    


    ts的时间索引并不是我们想要的整数或因子形式,cycle()函数可能更有用:

    (ck <- cycle(ts1))
    
    ##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 2015   1   2   3   4   5   6   7   8   9  10  11  12
    ## 2016   1   2   3   4   5   6   7   8   9  10  11  12
    


    注意time和cycle函数获得的也是ts类对象,其tsp和原ts对象完全相同:

    class(tt)
    
    ## [1] "ts"
    
    tsp(tt)
    
    ## [1] 2015.000 2016.917   12.000
    
    tsp(tt) == tsp(ts1)
    
    ## [1] TRUE TRUE TRUE
    
    class(ck)
    
    ## [1] "ts"
    
    tsp(ck)
    
    ## [1] 2015.000 2016.917   12.000
    
    tsp(ck) == tsp(ts1)
    
    ## [1] TRUE TRUE TRUE
    


    3 ts/mts对象操作

    3.1 截取时间窗口

    首先想到的是subset函数,它可以用于取数据子集,很多情况下它获得的数据类型和原对象一样,如data.frame类数据:

    str(airquality)
    
    ## 'data.frame':	153 obs. of  6 variables:
    ##  $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...
    ##  $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...
    ##  $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
    ##  $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...
    ##  $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
    ##  $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...
    
    str(subset(airquality, !is.na(Ozone)))
    
    ## 'data.frame':	116 obs. of  6 variables:
    ##  $ Ozone  : int  41 36 12 18 28 23 19 8 7 16 ...
    ##  $ Solar.R: int  190 118 149 313 NA 299 99 19 NA 256 ...
    ##  $ Wind   : num  7.4 8 12.6 11.5 14.9 8.6 13.8 20.1 6.9 9.7 ...
    ##  $ Temp   : int  67 72 74 62 66 65 59 61 74 69 ...
    ##  $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
    ##  $ Day    : int  1 2 3 4 6 7 8 9 11 12 ...
    


    但subset函数用于ts对象时获得的仅仅是一个普通向量:

    str(presidents)
    
    ##  Time-Series [1:120] from 1945 to 1975: NA 87 82 75 63 50 43 32 35 60 ...
    
    tsp(presidents)
    
    ## [1] 1945.00 1974.75    4.00
    
    tt <- time(presidents)
    (pp <- subset(presidents, subset = tt > 1960 & tt < 1965))
    
    ##  [1] 62 61 57 72 83 71 78 79 71 62 74 76 64 62 57 80 73 69 69
    
    str(pp)
    
    ##  num [1:19] 62 61 57 72 83 71 78 79 71 62 ...
    


    ts对象子集的提取有一个专门函数window(),即窗口函数,其产生和ts函数类似:

    window(x, start = NULL, end = NULL, frequency = NULL, deltat = NULL, extend = FALSE,
        ...)
    


    常用的参数是start和end。如设置frequency/deltat,要注意真正取到的是哪些值,而且有可能会出错:

    window(presidents, start = 1960, end = c(1969, 4))
    
    ##      Qtr1 Qtr2 Qtr3 Qtr4
    ## 1960   71   62   61   57
    ## 1961   72   83   71   78
    ## 1962   79   71   62   74
    ## 1963   76   64   62   57
    ## 1964   80   73   69   69
    ## 1965   71   64   69   62
    ## 1966   63   46   56   44
    ## 1967   44   52   38   46
    ## 1968   36   49   35   44
    ## 1969   59   65   65   56
    
    window(presidents, start = 1960, end = c(1969, 4), frequency = 1)
    
    ## Time Series:
    ## Start = 1960 
    ## End = 1969 
    ## Frequency = 1 
    ##  [1] 71 72 79 76 80 71 63 44 36 59
    
    window(presidents, start = 1960, end = c(1969, 4), frequency = 2)
    
    ## Time Series:
    ## Start = c(1960, 1) 
    ## End = c(1969, 2) 
    ## Frequency = 2 
    ##  [1] 71 61 72 71 79 62 76 62 80 69 71 69 63 56 44 38 36 35 59 65
    
    window(presidents, start = 1960, end = c(1969, 4), frequency = 3)
    
    ##      Qtr1 Qtr2 Qtr3 Qtr4
    ## 1960   71   62   61   57
    ## 1961   72   83   71   78
    ## 1962   79   71   62   74
    ## 1963   76   64   62   57
    ## 1964   80   73   69   69
    ## 1965   71   64   69   62
    ## 1966   63   46   56   44
    ## 1967   44   52   38   46
    ## 1968   36   49   35   44
    ## 1969   59   65   65   56
    


    3.2 合并数据

    ts对象y可以用cbind函数能有效合并,前提是frequency必需一样。rbind不行。

    ts1 <- ts(sample(1:100, 12), start = 1, freq = 12)
    ts2 <- ts(rnorm(12), start = 1, freq = 12)
    ts3 <- ts(runif(12), start = c(1, 4), freq = 12)
    ts4 <- ts(rnorm(12), start = 2, freq = 4)
    cbind(ts1, ts2)
    
    ##       ts1         ts2
    ## Jan 1  20 -1.38615633
    ## Feb 1  83 -0.44157612
    ## Mar 1  55 -0.49842737
    ## Apr 1  72 -0.88409143
    ## May 1  63  1.25211918
    ## Jun 1  41  1.13397750
    ## Jul 1  69  0.68428102
    ## Aug 1   5  0.22880012
    ## Sep 1  17 -0.23620775
    ## Oct 1  98  1.08904161
    ## Nov 1  75  2.09957979
    ## Dec 1  43  0.03089808
    
    cbind(ts1, ts3)
    
    ##       ts1        ts3
    ## Jan 1  20         NA
    ## Feb 1  83         NA
    ## Mar 1  55         NA
    ## Apr 1  72 0.35403318
    ## May 1  63 0.93236546
    ## Jun 1  41 0.38389533
    ## Jul 1  69 0.93882046
    ## Aug 1   5 0.20153206
    ## Sep 1  17 0.27942223
    ## Oct 1  98 0.43420658
    ## Nov 1  75 0.24039645
    ## Dec 1  43 0.70481722
    ## Jan 2  NA 0.02078979
    ## Feb 2  NA 0.47112608
    ## Mar 2  NA 0.77757363
    
    cbind(ts1, ts4)
    
    ## Error in .cbind.ts(list(...), .makeNamesTs(...), dframe = FALSE, union = TRUE): not all series have the same frequency
    
    rbind(ts1, ts3)
    
    ##           [,1]       [,2]       [,3]       [,4]       [,5]       [,6]
    ## ts1 20.0000000 83.0000000 55.0000000 72.0000000 63.0000000 41.0000000
    ## ts3  0.3540332  0.9323655  0.3838953  0.9388205  0.2015321  0.2794222
    ##           [,7]      [,8]       [,9]       [,10]      [,11]      [,12]
    ## ts1 69.0000000 5.0000000 17.0000000 98.00000000 75.0000000 43.0000000
    ## ts3  0.4342066 0.2403965  0.7048172  0.02078979  0.4711261  0.7775736
    


    3.3 前/后推移:lag函数

    ts1
    
    ##   Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 1  20  83  55  72  63  41  69   5  17  98  75  43
    
    lag(ts1, k = 4)
    
    ##   Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 0                                  20  83  55  72
    ## 1  63  41  69   5  17  98  75  43
    
    lag(ts1, k = -4)
    
    ##   Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 1                  20  83  55  72  63  41  69   5
    ## 2  17  98  75  43
    


    3.4 ts同比差值:diff函数

    diff(ts1, lag = 1)
    
    ##   Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 1  63 -28  17  -9 -22  28 -64  12  81 -23 -32
    
    ts1 - lag(ts1, -1)
    
    ##   Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    ## 1  63 -28  17  -9 -22  28 -64  12  81 -23 -32
    
    diff(ts1, lag = -4)
    
    ## Error in diff.ts(ts1, lag = -4): bad value for 'lag' or 'differences'
    
    ts1 - lag(ts1, 4)
    
    ##   Jan Feb Mar Apr May Jun Jul Aug
    ## 1 -43  42 -14  67  46 -57  -6 -38
    


    diff只能是当前值减去历史值,即lag>0;用lag函数更灵活些。


    4 ts/mts对象作图

    R为ts类型对象的plot函数设置了特殊的参数:

    args(plot.ts)
    
    ## function (x, y = NULL, plot.type = c("multiple", "single"), xy.labels, 
    ##     xy.lines, panel = lines, nc, yax.flip = FALSE, mar.multi = c(0, 
    ##         5.1, 0, if (yax.flip) 5.1 else 2.1), oma.multi = c(6, 
    ##         0, 5, 0), axes = TRUE, ...) 
    ## NULL
    


    plot.type参数相对有用:

    plot(EuStockMarkets)
    plot(EuStockMarkets, plot = "single", col = 1:4)
    legend("topleft", colnames(EuStockMarkets), lty = 1, col = 1:4, text.col = 1:4,
        box.col = NA, inset = 0.05)
    






    作者: ZGUANG@LZU

    Created: 2016-10-25 二 11:12

    Emacs 24.4.1 (Org mode 8.2.10)


    展开全文
  • R语言:ts() 时间序列的建立

    万次阅读 2019-06-05 15:16:09
    通过一向量或者矩阵创建一个一元的或多元的时间序列(time series),为ts型对象。 调用格式: ts(data = NA, start = 1, end = numeric(0), frequency = 1, deltat = 1, ts.eps = getOption("ts.eps"), class, ...

    ts() 函数

             通过一向量或者矩阵创建一个一元的或多元的时间序列(time series),为ts型对象。

    调用格式

             ts(data = NA, start = 1, end = numeric(0), frequency = 1, deltat = 1, ts.eps = getOption("ts.eps"), class, names)

    说明

    • data  一个向量或者矩阵
    • start  第一个观测值的时间,为一个数字或者是一个由两个整数构成的向量
    • end  最后一个观测值的时间,指定方法和start相同
    • frequency  单位时间内观测值的频数(频率)
    • deltat  两个观测值间的时间间隔。frequency和deltat必须并且只能给定其中一个
    • ts.eps  序列之间的误差限,如果序列之间的频率差异小于ts.eps,则认为这些序列的频率相等
    • class  对象的类型。一元序列的缺省值是“ts”,多元序列的缺省值是c(“mts”,“ts”)
    • names  一个字符型向量,给出多元序列中每个一元序列的名称,缺省data中每列数据的名称或者Series 1,Series 2, 。。。

    Example:

        > ts(1:26, start=1986)  #最简单的形式
           Time Series:
           Start = 1986 
           End = 2011 
           Frequency = 1 
           [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26  

      > ts(1:26, frequency = 12, start=c(1986,10)) #frequency = 12时,为月份
                    Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
          1986                                                                   1     2     3
          1987   4     5     6     7      8     9   10   11   12    13   14   15
          1988  16   17  18   19    20    21  22  23    24    25   26   

    展开全文
  • BTC_ts_forecast:比特币时间序列预测
  • #R_函数#TS——时间序列

    千次阅读 2012-11-28 17:48:55
    #TS DESCRIPTION# Time-Series Objects Description The function ts is used to create time-series objects. as.ts and is.ts coerce an object to a time-series and test whether
    #TS DESCRIPTION#
    Time-Series Objects

    Description

    The function ts is used to create time-series objects.

    as.ts and is.ts coerce an object to a time-series and test whether an object is a time series.

    Usage

    ts(data = NA, start = 1, end = numeric(0), frequency = 1,deltat = 1, ts.eps = getOption("ts.eps"), class = , names = )
    as.ts(x, ...)
    is.ts(x)
    Arguments

    data
    a numeric vector or matrix of the observed time-series values. A data frame will be coerced to a numeric matrix via data.matrix.

    start
    the time of the first observation. Either a single number or a vector of two integers, which specify a natural time unit and a (1-based) number of samples into the time unit. See the examples for the use of the second form.

    end
    the time of the last observation, specified in the same way as start.

    frequency
    the number of observations per unit of time.

    deltat
    the fraction of the sampling period between successive observations; e.g., 1/12 for monthly data. Only one of frequency or deltat should be provided.

    ts.eps
    time series comparison tolerance. Frequencies are considered equal if their absolute difference is less than ts.eps.

    class
    class to be given to the result, or none if NULL or "none". The default is "ts" for a single series, c("mts", "ts") for multiple series.

    names
    a character vector of names for the series in a multiple series: defaults to the colnames of data, or Series 1, Series 2, ....

    x
    an arbitrary R object.

    ...
    arguments passed to methods (unused for the default method).


    EXAMPLE:
    > xx<-ts(1:1095,start=c(2011,1,1),frequency=365) #DATA=1:1095;起始时间是2011年1月1日;一年为一个周期
    展开全文
  • ts()函数:通过一向量或者矩阵创建一个一元的或多元的时间序列(time series),为ts型对象。 调用格式: > ts(data = NA, start = 1, end = numeric(0), frequency = 1, deltat = 1, ts.eps = getOption("ts...

    ts()函数:通过一向量或者矩阵创建一个一元的或多元的时间序列(time series),为ts型对象。

    调用格式:

    > ts(data = NA, start = 1, end = numeric(0), frequency = 1, deltat = 1, ts.eps = getOption("ts.eps"), class, names)

    说明:

    data  一个向量或者矩阵

    start  第一个观测值的时间,为一个数字或者是一个由两个整数构成的向量

    end  最后一个观测值的时间,指定方法和start相同

    frequency  单位时间内观测值的频数(频率)

    deltat  两个观测值间的时间间隔。frequency和deltat必须并且只能给定其中一个

    ts.eps  序列之间的误差限,如果序列之间的频率差异小于ts.eps,则认为这些序列的频率相等

    class  对象的类型。一元序列的缺省值是“ts”,多元序列的缺省值是c(“mts”,“ts”)

    names  一个字符型向量,给出多元序列中每个一元序列的名称,缺省data中每列数据的名称或者Series 1,Series 2, 。。。

    Example:

    > ts(1:26, start=1986)  #最简单的形式
    Time Series:
    Start = 1986
    End = 2011
    Frequency = 1
     [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
    > ts(1:26, frequency = 12, start=c(1986,10)) #frequency = 12时,为月份
         Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
    1986                                       1   2   3
    1987   4   5   6   7   8   9  10  11  12  13  14  15
    1988  16  17  18  19  20  21  22  23  24  25  26   
    > ts(1:26, frequency = 4, start=c(1986,10)) #frequency = 4时为QTR
         Qtr1 Qtr2 Qtr3 Qtr4
    1988         1    2    3
    1989    4    5    6    7
    1990    8    9   10   11
    1991   12   13   14   15
    1992   16   17   18   19
    1993   20   21   22   23
    1994   24   25   26    
    > matrix(rpois(36,5),12,3) #随机矩阵,重复一次值时不一样的
          [,1] [,2] [,3]
     [1,]    4    6    6
     [2,]    5    6    6
     [3,]    7    4    6
     [4,]    3    7    4
     [5,]    2    7    3
     [6,]    4    6    3
     [7,]    1    2    6
     [8,]    6    3    6
     [9,]    7    4    8
    [10,]    2    8    4
    [11,]    3    5    7
    [12,]    5    4    0
    > matrix(rpois(36,5),12,3)
          [,1] [,2] [,3]
     [1,]    7    8    3
     [2,]    4    5    8
     [3,]    4    4    5
     [4,]    5    4    1
     [5,]   10    4    1
     [6,]    4    6    7
     [7,]    4    6    6
     [8,]    7    1    4
     [9,]    7    2   10
    [10,]    7    7    2
    [11,]    9    3   15
    [12,]    6    4   10
    > ts(matrix(rpois(36,5),12,3),start=c(1986,10),frequency=12)
             Series 1 Series 2 Series 3
    Oct 1986        5        7        5
    Nov 1986        4        6        8
    Dec 1986        3        7        4
    Jan 1987        4        5        6
    Feb 1987        6        2        3
    Mar 1987       10        8        4
    Apr 1987        6        6       10
    May 1987        4        8        7
    Jun 1987        3        6        3
    Jul 1987       11        7        4
    Aug 1987        3        3        5
    Sep 1987        4        2        6

    时间序列的特点就是随意性非常强,可以按照各种情况进行随意输出,灵活的有些不方便?

    转载于:https://www.cnblogs.com/bangemantou/archive/2012/11/20/2778843.html

    展开全文
  • 树状图时间序列 Scipy的聚类聚类树状图要求进行广泛的自定义,以使其信息更丰富。 此程序包通过两个自定义包装scipy的树状图: 侧面的时间序列图 距离标签和聚类分裂点 安装 下载dendrogram_ts.py并放入您的python ...
  • R ts()函数设定时间序列

    千次阅读 2016-03-10 17:35:00
    对于已有的Excel中的数据,如何整理成时间序列格式呢? > setwd("C:\\Users\\Admin-pc\\Desktop")> time<-read.csv("data1.csv")> time$b> a<-ts(time$b, frequency = 1, start = c(1900,1),...
  • GluonTS-Python中的概率时间序列建模 GluonTS是一个用于概率时间序列建模的Python工具包,它围绕构建。 GluonTS提供了用于加载和迭代时间序列数据集,准备好进行培训的最新模型以及用于定义自己的模型并快速尝试...
  • riak安装 直到最近,大规模的时间序列分析还是很昂贵的,而且几乎完全是大型企业的领域。 是什么使时间序列成为难以解决且昂贵的问题? 在NoSQL数据库出现之前,进行扩展以满足不断增长的数据速度和数据量通常意味着...
  • R语言时间序列模型

    2019-03-19 12:23:40
    #时间序列 #自回归模型 set.seed(0) x<-w<-rnorm(1000) # 生成符合正态分布N(0,1)的数据 for(t in 2:1000) x[t]<...-ts(x) # 生成ts时间序列的数据集,ts(data, start, end, frequency) head(tsx);hea...
  • TsFile是专为时间序列数据设计的柱状存储格式,支持高效的压缩和查询。 将TsFile集成到您的IoT大数据处理框架中很容易。
  • 时间序列预测(ARMA)代码,照着老师打的,但是在转化为时间序列数据时总是报错,也就是这句代码:ts=data['#Passengers'],实在是不知道错哪了 原代码:import pandas as pd import numpy as np import ...
  • TS_RANK(X, n)函数,是指在一个时间序列X上,循环计算每个固定窗口的最后一个值在这个窗口内的排序值。说的通俗一点,就是在每一个时刻看所关注的时间序列X当前取值在过去一段时间内的排序如何。特意讨论该函数是...
  • ddl8s1ts是一个R软件包,用于使用Landsat 8和Sentinel-1时间序列来检测和映射森林干扰。 将谐波回归模型应用于Landsat 8和Sentinel-1时间序列,以预测干扰概率。 根据随机森林(RF)预测的干扰概率的时间序列来检测...
  • cp-tsdata-geo-enrichment 在现场获得的时间序列数据的地理富集。 我的下一个聚会演讲的幻灯片平台(WIP)可在以下位置找到: [ ]
  • 真棒TS异常检测:用于按时间序列数据进行异常检测的工具和数据集的列表
  • TS_RANK(X, n)函数,是指在一个时间序列X上,循环计算每个固定窗口的最后一个值在这个窗口内的排序值。说的通俗一点,就是在每一个时刻看所关注的时间序列X当前取值在过去一段时间内的排序如何。特意讨论该函数是...
  • TS_RANK(X, n)函数,是指在一个时间序列X上,循环计算每个固定窗口的最后一个值在这个窗口内的排序值。说的通俗一点,就是在每一个时刻看所关注的时间序列X当前取值在过去一段时间内的排序如何。特意讨论该函数是...
  • 时间序列分析 我的教授推荐了这本书。 我昨天读和《 。 两者都以自己的方式很好。 前者要先进得多,并提供一些您可能未曾接触过的想法,而后者则是中级的,但是有一些实际的例子,尽管这些例子有些简单化,而且...
  • 时间序列桥是一种可用于将指标从一个监视系统导入另一个监视系统的工具。 它定期对源监视系统(当前是Datadog&InfluxDB)运行特定查询,并将新的时间序列结果写入目标系统(当前仅是Stackdriver)。 目录 设定指南 ...
  • R语言中时间序列的内容主要有:时间序列...时间序列的创建函数为:ts().函数的参数列表如下: ts(data = NA, start = 1, end = numeric(),frequency = 1,  deltat = 1, ts.eps = getOption("ts.eps"), class = , na
  • 时间序列是将统一统计值按照时间发生的先后顺序来进行排列,时间序列分析的主要目的是根据已有数据对未来进行预测...语法时间序列分析中ts()函数的基本语法是 -timeseries.object.name 以下是所使用的参数的描述 -da...
  • 时间序列分析

    2016-06-03 01:42:42
    进行时间序列,用ts()函数将数据转换为时间序列格式, 模型拟合可通过arima()函数实现, 涉及的主要参数为 order(自回归项数、滑动平均项数及使时间序列成为平稳序列的差分阶数) seasonal(序列表现出季节...
  • 时间数据由一个频率转换到另一个频率 降采样 升采样 1,降采样 rng = pd.date_range('1/1/2011', periods=90, freq='D') ts = pd.Series(np.random.randn(len(rng)), index=rng) ts.head() 2011-01-01 -1.025562 ...
  • R语言 时间序列分析

    2020-04-07 13:49:57
    2.利用前面的结果进行预测 ts时间序列的英文简称 可以使用Sys.Date()函数查看当前系统的时间 用seq函数创造连续的时间点 eg seq(as.Date("2020-01-01"),as.Date("2020-04-07"),by=3) ts函数生成时间序列,,可以...
  • 本文以航司乘客数预测的例子来组织相关时间序列预测的代码,通过了解本文中的代码,当遇到其它场景的时间序列预测亦可套用。 航司乘客数序列 预测步骤 # 加载时间序列数据 _ts = load_data() # 使用样本熵评估可...
  • 例如,考虑一下这个ts1 = np.random.rand(230, 4)ts2 = np.random.rand(12309, 4)我有200个数组列表形式的序列^{pr2}$如果良好,这些时间序列的标签为1,否则为0。因此我的标签应该是labels = [0, 0, 1, 0, 1, ....]...
  • 原标题:时间序列预测全攻略(附带Python代码) 介绍时间序列(简称TS)被认为是分析领域比较少人知道的技能。(我也是几天前才知道它)。但是你一定知道最近的小型编程马拉松就是基于时间序列发展起来的,我参加了...
  • 时间序列基准套件(TSBS) 此仓库包含用于对多个时间序列数据库进行基准测试的代码,其中包括TimescaleDB,MongoDB,InfluxDB,CrateDB和Cassandra。 该代码基于InfluxDB最初在公开的工作分支。 当前支持的数据库...

空空如也

空空如也

1 2 3 4 5 ... 16
收藏数 314
精华内容 125
关键字:

ts时间序列