时间序列数据上升趋势模式识别的Python算法

我有一个时间序列数据集，我喜欢捕捉历史上的上升趋势模式（通常上升趋势为30-90天）。 我曾尝试使用滚动窗口，但我必须删除NaN以获得线性回归工作，这会弄乱x轴，从而导致回归系数

我的问题是：

识别时间序列上升模式的最佳方法是什么 数据

如果我的方法（滚动窗口线性回归）方向正确，我如何解决NaN问题，这可能会导致线性拟合返回为空或扰乱x轴的比例

如果我喜欢选择多个窗口，而不是滚动窗口来应用线性回归，我该如何处理

谢谢你的帮助

数据帧示例

import pandas as pd
import scipy.stats
import numpy as np

dict_ = {'COMPLETIONDATE': ['2017-10-05 11:05:08',
  '2017-10-06 14:18:25',
  '2017-10-05 10:52:20',
  '2017-10-05 11:13:18',
  '2017-10-03 15:18:08',
  '2017-10-06 11:19:38',
  '2017-10-03 15:36:34',
  '2017-10-06 11:32:08',
  '2017-10-05 11:15:38',
  '2017-10-06 11:20:37'],
 'LOGFIELD16': [45.44571,
  46.31465,
  47.66407,
  38.89286,
  45.37415,
  38.44305,
  45.74217,
  40.59497,
  39.72602,
  46.18687]}

df_ = pd.DataFrame(dict_)

    COMPLETIONDATE  LOGFIELD16
0   2017-10-05 11:05:08 45.44571
1   2017-10-06 14:18:25 46.31465
2   2017-10-05 10:52:20 47.66407
3   2017-10-05 11:13:18 38.89286
4   2017-10-03 15:18:08 45.37415
5   2017-10-06 11:19:38 38.44305
6   2017-10-03 15:36:34 45.74217
7   2017-10-06 11:32:08 40.59497
8   2017-10-05 11:15:38 39.72602
9   2017-10-06 11:20:37 46.18687

时间序列图

我目前的方法是滚动窗口线性回归，然后检测阈值以上的斜率。但面临的挑战是，如果选定的数据窗口中某些天可能缺少数据，如何为该窗口拟合线性回归

# function to calculate the slope
def roll_reg(df):
    df_size = df.shape[0]
    linregress = scipy.stats.linregress(df, np.array(range(df_size)))
    return linregress[0]

df_.index = pd.to_datetime(df_.COMPLETIONDATE)
df_.sort_index(inplace=True)    

df_[['LOGFIELD16']].resample("1D").mean().dropna().rolling(30).apply(roll_reg).plot(style='o')

滚动回归斜率图。但是，如果仔细观察，2周围的坡度平台值不是预期值

使用：

.rolling（'30D'）

@Goyo“类型错误：需要整数”使用：

.rolling（'30D'）

@Goyo“类型错误：需要整数”