时序数据分析——周期性-平稳性检验
【摘要】 时间序列分析，即输入特征都是与时间相关的数据，同时需要考虑周期、趋势、节假日、突变等因素，通过一些手段来分析时间序列的特点，发现其中的变化规律，并用于预测未来时序数据的统计技术。分析时间序列，进行合理预测，做到提前掌握未来的发展趋势，为业务决策提供依据，这也是决策科学化的前提。代码块导入在NAIE训练平台的JupyterLab界面操作时，不需要手动添加这一部分，因为在新创建的特...
时间序列分析，即输入特征都是与时间相关的数据，同时需要考虑周期、趋势、节假日、突变等因素，通过一些手段来分析时间序列的特点，发现其中的变化规律，并用于预测未来时序数据的统计技术。分析时间序列，进行合理预测，做到提前掌握未来的发展趋势，为业务决策提供依据，这也是决策科学化的前提。
代码块导入
在NAIE训练平台的JupyterLab界面操作时，不需要手动添加这一部分，因为在新创建的特征工程下已经包含了导入代码。
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选择数据1
如果是在NAIE平台上操作，则以下代码可通过点击菜单栏中“数据集”下的“选择数据”自动生成。
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. 周期检测
检测给定时序数据的周期，或判断指定的周期是否为时序数据的周期
参数：
- data: 时序数据，可以是dataframe，数据路径或者dataflow
- columns: 待进行时序数据分析的目标列，list类型
- id_column: 代表时序数据id列，没有id列则使用默认值None，即认为整个数据为同一个id下的数据
- time_column: 时序数据的时间列，没有时间列则使用默认值None. 如果不为None，则会根据给定的时间列对时序数据排序
- specified_period: 待验证的指定周期，以样本为单位，默认为None。若为None，则根据{'day', 'week', 'month', 'quarter', 'year'}进行遍历周期检测。
返回：
- 如果时序数据具有周期，则返回检测到的周期，否则返回None。如果给定待检验周期，则检测其是时序的周期时返回True，否则返回False.
from naie.ts_data_analysis import PeriodicityTest# 周期检测
pt = PeriodicityTest(dataflow, columns=['traffic'], time_column='time')
result = pt.fit()
print('Periodicity test: ')
resultPeriodicity test:
# 周期验证
pt = PeriodicityTest(dataflow, columns=['traffic'], time_column='time')
result = pt.fit(specified_period=8640)
print('Periodicity test: ')
resultPeriodicity test:
选择数据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. 平稳性判断
参数：
- significance_level: 显著性水平
返回：
- 如果数据平稳，则返回True；否则，返回False
from naie.ts_data_analysis import StationarityTestst = 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: ')
resultStationarity test:
NAIE SDK帮助文档汇总请参考：
网络人工智能园地：NAIE SDK帮助文档汇总
文章来源: zhuanlan.zhihu.com，作者：网络人工智能园地，版权归原作者所有，如需转载，请联系作者。
原文链接：zhuanlan.zhihu.com/p/381022084
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）