时间序列—显著相关性和滞后性分析_python

😊作者简介：大家好我是hellobigorange,大家可以叫我大橙子
💖本文摘要：本文讲述了两个时间序列(信号)的相关性分析，可以利用相关性分析进行特征筛选。此外本文还讲了怎么判断时间序列的滞后性的方法。

一、分析数据的相关性和滞后性的必要性

1.1 相关性

在使用机器学习模型对数据进行训练的时候，需要考虑数据量和数据维度，在很多情况下并不是需要大量的数据和大量的数据维度，这样会造成机器学习模型运行慢，且消耗硬件设备。除此之外，在数据维度较大的情况下，还存在”维度灾难“的问题。
在开展特征工程时，数据的降维方法思想上有两种

• 特征降维： 一种是例如主成分分析方法(PCA)破坏数据原有的结构从而提取数据的主要特征
• 特征选取： 按照一定的法则来对数据的属性进行取舍达到降维的目的。
  • 相关性分析：分析特征和因变量（标签列）的相关性，保留相关性强的。
  • 方差：对于方差太小的，说明特征的整体变化不大，可以剔除。

1.2 滞后性

有时候将某个特征滞后一定时间后， 得到一个新的特征， 可能会与目标变量有更强的相关性，个人理解，一般某个特征变量, 你有足够的专业知识或推断认为其可能存在滞后性后，