Укажите отставание в numpy.correlate

Question

Функция взаимной корреляции Matlab xcorr(x,y,maxlags) имеет возможность maxlag, который возвращает последовательность взаимной корреляции в диапазоне запаздывания [-maxlags:maxlags], Numpy-х numpy.correlate(N,M,mode) имеет три режима, но ни один из них не позволяет мне установить конкретную задержку, которая отличается от полной (N+M-1), так же (max(M, N)) или действительный (max(M, N) - min(M, N) + 1 ), За len(N) = 60000, len (M) = 200Я хочу установить лаг как 100.

Answer 1

Я бы порекомендовал посмотреть на этот файл, чтобы определить, как вы хотите реализовать корреляцию, описанную здесь.

Answer 2

matplotlib.xcorr имеет параметр maxlags. Это на самом деле обертка numpy.correlate, поэтому нет сохранения производительности. Тем не менее он дает точно такой же результат, который дает функция взаимной корреляции Матлаба. Ниже я отредактировал код из maxplotlib, чтобы он возвращал только корреляцию. Причина в том, что если мы используем matplotlib.corr как это, он также вернет сюжет. Проблема в том, что, если мы введем в качестве аргументов комплексный тип данных, мы получим предупреждение "приведение комплекса к реальному типу данных", когда matplotlib попытается нарисовать график.

<!-- language: python -->

import numpy as np
import matplotlib.pyplot as plt

def xcorr(x, y, maxlags=10):
    Nx = len(x)
    if Nx != len(y):
        raise ValueError('x and y must be equal length')

    c = np.correlate(x, y, mode=2)

    if maxlags is None:
        maxlags = Nx - 1

    if maxlags >= Nx or maxlags < 1:
        raise ValueError('maxlags must be None or strictly positive < %d' % Nx)

    c = c[Nx - 1 - maxlags:Nx + maxlags]

    return c

Answer 3

Это моя реализация корреляции опережающих и отстающих, но она ограничена 1-D и не гарантирует, что она будет лучшей с точки зрения эффективности. Он использует scipy.stats.pearsonr для выполнения основных вычислений, поэтому также возвращается значение p для коэффициента. Пожалуйста, измените, чтобы оптимизировать на основе этого соломенного человека.

def lagcorr(x,y,lag=None,verbose=True):
    '''Compute lead-lag correlations between 2 time series.

    <x>,<y>: 1-D time series.
    <lag>: lag option, could take different forms of <lag>:
          if 0 or None, compute ordinary correlation and p-value;
          if positive integer, compute lagged correlation with lag
          upto <lag>;
          if negative integer, compute lead correlation with lead
          upto <-lag>;
          if pass in an list or tuple or array of integers, compute 
          lead/lag correlations at different leads/lags.

    Note: when talking about lead/lag, uses <y> as a reference.
    Therefore positive lag means <x> lags <y> by <lag>, computation is
    done by shifting <x> to the left hand side by <lag> with respect to
    <y>.
    Similarly negative lag means <x> leads <y> by <lag>, computation is
    done by shifting <x> to the right hand side by <lag> with respect to
    <y>.

    Return <result>: a (n*2) array, with 1st column the correlation 
    coefficients, 2nd column correpsonding p values.

    Currently only works for 1-D arrays.
    '''

    import numpy
    from scipy.stats import pearsonr

    if len(x)!=len(y):
        raise('Input variables of different lengths.')

    #--------Unify types of <lag>-------------
    if numpy.isscalar(lag):
        if abs(lag)>=len(x):
            raise('Maximum lag equal or larger than array.')
        if lag<0:
            lag=-numpy.arange(abs(lag)+1)
        elif lag==0:
            lag=[0,]
        else:
            lag=numpy.arange(lag+1)    
    elif lag is None:
        lag=[0,]
    else:
        lag=numpy.asarray(lag)

    #-------Loop over lags---------------------
    result=[]
    if verbose:
        print '\n#<lagcorr>: Computing lagged-correlations at lags:',lag

    for ii in lag:
        if ii<0:
            result.append(pearsonr(x[:ii],y[-ii:]))
        elif ii==0:
            result.append(pearsonr(x,y))
        elif ii>0:
            result.append(pearsonr(x[ii:],y[:-ii]))

    result=numpy.asarray(result)

    return result