跳转至

使用 Matplotlib 的自相关图

原文:https://www.geeksforgeeks.org/自相关-绘图-使用-matplotlib/

自相关图是检查数据集中随机性的常用工具。这种随机性是通过计算不同时滞下数据值的自相关来确定的。

自相关图特征:

  • 它将一组当前值与一组过去值进行比较,并找出它们是否相关。
  • 它是一个时间序列数据与另一个时间序列数据的相关性,具有时滞。
  • 从+1 到-1 不等。
  • +1 的自相关表示如果时间序列 1 的值增加,时间序列 2 也与时间序列 1 的变化成比例增加。
  • 自相关值为-1 表明,如果时间序列 1 的值增加,时间序列 2 将与时间序列 1 的变化成比例减少。

自相关的应用:

  • 模式识别。
  • 信号检测。
  • 信号处理。
  • 估计音高。
  • 股票的技术分析。

绘制自相关图

要绘制自相关图,我们可以使用 matplotlib,并使用 matplotlib.pyplot.acorr()函数轻松绘制。

语法: matplotlib.pyplot.acorr(x, data = None,kwargs) 参数:*

  • ‘x’:这个参数是标量的序列。
  • “去趋势”:该参数为可选参数。它的默认值是 mlab.detrend_none。
  • “赋范”:该参数也是可选参数,包含 bool 值。其默认值为“真”。
  • “usev lines”:该参数也是可选参数,包含 bool 值。其默认值为“真”。
  • “maxlags”:该参数也是可选参数,包含整数值。它的默认值是 10。
  • “线型”:该参数也是可选参数,用于绘制数据点,仅当 usevlines 为 False 时使用。
  • “标记”:该参数也是可选参数,包含字符串。它的默认值是“o”。

返回:(滞后,c,行,b) 其中:

  • 滞后是长度为 2`maxlags+1 的滞后向量。
  • c 是 2`maxlags+1 自相关向量。
  • line 是由 plot 返回的 Line2D 实例。
  • b 是 x 轴。

例 1:

蟒蛇 3

# Importing the libraries.
import matplotlib.pyplot as plt
import numpy as np

# Data for which we plot Autocorrelation.
data = np.array([12.0, 24.0, 7., 20.0,
                 7.0, 22.0, 18.0,22.0,
                 6.0, 7.0, 20.0, 13.0,
                 8.0, 5.0, 8])

# Adding plot title.
plt.title("Autocorrelation Plot")

# Providing x-axis name.
plt.xlabel("Lags")

# Plotting the Autocorrelation plot.
plt.acorr(data, maxlags = 10)

# Displaying the plot.
print("The Autocorrelation plot for the data is:")
plt.grid(True)

plt.show()

输出:

例 2:

蟒蛇 3

# Importing the libraries.
import matplotlib.pyplot as plt
import numpy as np

# Setting up the rondom seed for
# fixing the random state.
np.random.seed(42)

# Creating some random data.
data = np.random.randn(25)

# Adding plot title.
plt.title("Autocorrelation Plot")

# Providing x-axis name.
plt.xlabel("Lags")

# Plotting the Autocorrelation plot.
plt.acorr(data, maxlags = 20)

# Displaying the plot.
print("The Autocorrelation plot for the data is:")
plt.grid(True)

plt.show()

输出:



回到顶部