python - 如何使用python检测时间序列数据中的多个平稳，上升和下降

分析自行车道的时间序列数据，我想知道每个高原，上升和下降的时间间隔。示例csv文件已上传here。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime
import matplotlib.dates as mdates


df = pd.read_csv(r'C:\Data\Sample.csv', parse_dates=['dateTime'])
feature_used='Cycle_Alt'
print("Eliminating null values..")
df=df[df[feature_used].notnull()]

plt.figure(figsize=(8,6))
x=df['dateTime']
y=df['Cycle_Alt']

plt.plot(x,y,c='b',linestyle=':',label="Altitude")
plt.xticks(rotation='vertical')
plt.gcf().autofmt_xdate()
plt.legend(loc='best', bbox_to_anchor=(1, 0.5))

此图为我提供了这样的交叉轮廓。


在假设一个人的变量可能多于样本中给出的假设的情况下，可以对时间序列数据进行分类以检测每种平稳，上升和下降的方法。

最佳答案

如果您只想识别序列中的平稳，上升和下降，则简单的方法是使用 numpy.diff 函数计算第n个离散差。然后，您可以使用 numpy.sign 将差异转换为正(上升)，零(平稳)或负(下降)。

一个例子:

a = np.random.randint(1, 5, 10)
#array([1, 1, 1, 1, 3, 4, 2, 2, 2, 2])

diff = np.diff(a)
#array([ 0,  0,  0,  2,  1, -2,  0,  0,  0])

gradient = np.sign(diff)
#array([ 0,  0,  0,  1,  1, -1,  0,  0,  0])

请注意，最终数组gradient将比原始数组少一个元素，因为numpy.diff函数将针对长度为n的数组返回(n-1)个差。