python 自相关_用numpy估计周期性的自相关方法

我将使用mode='same'而不是mode='full'，因为使用mode='full'我们可以得到极端位移的协方差，其中只有1个数组元素与self重叠，其余元素为零。那些不会有意思的。当mode='same'时，移位数组至少有一半与原始数组重叠。在

另外，要获得真正的相关系数(r)，需要除以重叠的大小，而不是原始x的大小(在我的代码中，这些是np.arange(n-1, n//2, -1))。然后每个输出将在-1和1之间。在

瞥一眼Durbin–Watson statistic，它与2(1-r)相似，表明人们认为它低于1的值是自相关的一个重要标志，它对应于r&gt；0.5。这就是我下面使用的。对于自相关显著性的统计学合理处理，请参阅统计学文献；一个起点是为您的时间序列建立一个模型。在def autocorr(x):

n = x.size

norm = (x - np.mean(x))

result = np.correlate(norm, norm, mode='same')

acorr = result[n//2 + 1:] / (x.var() * np.arange(n-1, n//2, -1))

lag = np.abs(acorr).argmax() + 1

r = acorr[lag-1]

if np.abs(r) > 0.5:

print('Appears to be autocorrelated with r = {}, lag = {}'. format(r, lag))

else:

print('Appears to be not autocorrelated')

return r, lag

两个玩具示例的输出：Appears to be not autocorrelated

Appears to be autocorrelated with r = 1.0, lag = 4