看代碼吧~
# 加載庫
import pandas as pd
# 데이터프레임을 만듭니다.
dataframe = pd.DataFrame()
# 模擬數(shù)據(jù)
dataframe["dates"] = pd.date_range("1/1/2001", periods=5, freq="D")
dataframe["stock_price"] = [1.1,2.2,3.3,4.4,5.5]
dataframe.head()
# 讓值滯后一行
dataframe["previous_days_stock_price"] = dataframe["stock_price"].shift(1)
dataframe.head()
dates stock_price previous_days_stock_price
0 2001-01-01 1.1 NaN
1 2001-01-02 2.2 1.1
2 2001-01-03 3.3 2.2
3 2001-01-04 4.4 3.3
4 2001-01-05 5.5 4.4
補充：怎樣用python畫超前滯后先關圖
想要獲取更多Python學習資料，了解更多關于Python的知識，可以加Q群630390733踴躍發(fā)言，大家一起來學習討論吧！
超前滯后相關是什么
想看兩個時間序列是否相關，最簡單的方法就是求二者的相關系數(shù)，但是在大氣、海洋等科學問題的研究中，往往一個過程的響應并不是實時的，可能當a過程發(fā)生以后一段時間b過程才會發(fā)生，這樣的關系往往不是同時期的相關系數(shù)可以表現(xiàn)的。
超前滯后相關就是為了看兩個過程的發(fā)生演變是否在時間的先后上有一定的相關性。
舉個例子：
有a、b兩個時間序列，長度都是十二個月，直接求相關系數(shù)就是簡單的同期相關。
如果a的1-11月對b的2-12月做相關系數(shù)，就是a對b超前1個月的相關；拿a的2-12月對b的1-11月做相關則稱之為a對b的滯后1月相關，以此類推，就能求出n個月的超前滯后相關，畫圖出來就是沿0月（同期）正負各n月。
摘自黃嘉佑的書《氣相統(tǒng)計分析與預報方法》，第三版，17頁
python中的實現(xiàn)
需要輸入兩個時間序列，結果為data1對data2的超前滯后相關系數(shù)的序列
from scipy.stats import pearsonr
import numpy as np
#超前滯后相關
def leadlagcor(data1,data2,n):
#data1和data2為兩個時間序列，n設置做多少個時間步長的超前滯后
a=-n
b=-a
c=b*2+1
x=np.arange(-n,n+1,1)
r=np.zeros((c,1))
p=np.zeros((c,1))
for i in range(c):
if i(b):
r[n-i],p[n-i]=pearsonr(data1[:(len(data1)-i)], data2[i:])
else:
r[i],p[i]=pearsonr(data1[x[i]:], data2[:len(data1)-x[i]])
return r
附贈一個可視化程序
def leadlagcor_plot(data1,data2,n):
#data1和data2為兩個時間序列，n設置做多少個時間步長的超前滯后
r=leadlagcor(data1,data2,n)#調用上面寫的函數(shù)做超前滯后相關
x=range(-n,n+1,1)
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x,r,'k--',linewidth=0.8)
ax.axhline(0, color='k')
b=ax.bar(x,np.squeeze(r),color='red')
for bar,height in zip(b,r):
if height0:
bar.set(color='blue')
print('cor_max:',np.max(r),'\n','cor_min:',np.min(r))
plt.savefig('%s.jpg')
plt.show()
畫出來的結果就是這樣啦，有更好的寫法和例圖也歡迎分享~
祝大家科研順利，身心健康！
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- python共軛梯度法特征值迭代次數(shù)討論
- Python箱型圖繪制與特征值獲取過程解析
- python dataframe常見操作方法:實現(xiàn)取行、列、切片、統(tǒng)計特征值
