python - 时间序列数据的线性回归

Question

我有一个数据框，它由包含许多列的每月时间戳进行索引。数据帧的值是 float64，我只想进行线性回归来计算数据的斜率并将其存储为数据帧底部的新行。

我尝试过使用 linregress 和 polyfit，但无法获得正确的输出，要么遇到不支持的操作数类型，要么 SVD 未在线性最小二乘中收敛。

df = pd.DataFrame({'123': ['20.908', '8.743', '8.34', '2.4909'],
                 '124': ["2", 2.34, 0, 4.1234],
                  '412': ["3", 20.123, 3.123123, 0],
                   '516': ["5", 20.123, 3.123123, 0],
                   '129': ["10", 20.123, 3.123123, 0]},

                 index=['2015-01-10', '2015-02-10', '2015-03-10', '2015-04-10'])

在本例中，Y 是列中的值，X 是时间戳。

   123     124      412      516      129
2015-01-10  20.908       2        3        5       10
2015-02-10   8.743    2.34   20.123   20.123   20.123
2015-03-10    8.34       0  3.12312  3.12312  3.12312
2015-04-10  2.4909  4.1234        0        0        0

预期输出是对每一列进行线性拟合，并将每列的斜率添加到底部的新行。

Answer 1

这段代码应该给你这样的想法:

df = df.astype(float)
df.index = pd.to_datetime(df.index)
slopes = []
for col in df:
    x = df.index.month.values
    y = df[col].values
    b = (len(x) * (x * y).sum() - (x.sum() * y.sum())) / (len(x) * (x ** 2).sum() - x.sum() ** 2)
    slopes.append(b)

斜坡: [-5.565429999999997, 0.40302000000000004, -2.5999877, -3.1999877, -4.699987700000003]

线性回归方程为:

source

或使用numpy.polyfit

df = df.astype(float)
df.index = pd.to_datetime(df.index)
x = df.index.month.values
y = df.values
slopes, offsets = np.polyfit(x, y, deg=1)

坡度:数组([-5.56543, 0.40302, -2.5999877, -3.1999877, -4.6999877])