如何在两个时间序列之间执行互相关以及我应该在 python 中执行哪些转换？
How do I perform crosscorelation between two time series and what transformations should I perform in python?
我有两个时间序列数据集，即三年来每天收到的错误和收到的预订（几百万行）。我想找出现在的 them.As 之间是否有任何关系，我认为这两个系列之间的互相关性可能会有所帮助。我命令这样做，我是否应该执行任何转换，如平稳性、去趋势、去季节性等。如果这是正确的，我正在考虑使用“scipy.signal.correlate¶”但实际上想知道如何解读结果？
scipy.signal.correlate用于时间序列的相关性。对于序列 y1 和 y2，correlate(y1, y2) returns 表示时间相关性的向量：第 k 个值表示时间滞后 [=22] 的相关性=]，因此第 N+1 个元素是没有时间滞后的时间序列的相似度：如果 y1 和 y2 具有相似的趋势（对于归一化数据）则接近于 1，如果序列是独立的则接近于零。
numpy.corrcoef 采用两个数组并将相关性聚合为单个值（另一个例程的 "time 0"），Pearson 相关性，并对 N 行这样做，返回 NxN 数组相关性。 corrcoef 标准化数据（将结果除以它们的 rms 值），因此他的对角线应该是 1（平均自相关）。
有关平稳性、去趋势和反季节性的问题取决于您的具体问题。上面的例程考虑 "plain" 数据而不考虑它们的意义。
我有两个时间序列数据集，即三年来每天收到的错误和收到的预订（几百万行）。我想找出现在的 them.As 之间是否有任何关系，我认为这两个系列之间的互相关性可能会有所帮助。我命令这样做，我是否应该执行任何转换，如平稳性、去趋势、去季节性等。如果这是正确的，我正在考虑使用“scipy.signal.correlate¶”但实际上想知道如何解读结果？
scipy.signal.correlate用于时间序列的相关性。对于序列 y1 和 y2，correlate(y1, y2) returns 表示时间相关性的向量：第 k 个值表示时间滞后 [=22] 的相关性=]，因此第 N+1 个元素是没有时间滞后的时间序列的相似度：如果 y1 和 y2 具有相似的趋势（对于归一化数据）则接近于 1，如果序列是独立的则接近于零。
numpy.corrcoef 采用两个数组并将相关性聚合为单个值（另一个例程的 "time 0"），Pearson 相关性，并对 N 行这样做，返回 NxN 数组相关性。 corrcoef 标准化数据（将结果除以它们的 rms 值），因此他的对角线应该是 1（平均自相关）。
有关平稳性、去趋势和反季节性的问题取决于您的具体问题。上面的例程考虑 "plain" 数据而不考虑它们的意义。