Python 检测时间序列的快速增长

我有一个时间序列，我想检测值何时快速增加，并精确指出（可能是颜色）增加的时间范围。例如，在下面的图中，我想精确指出x轴上特定时间窗口的峰值（例如2018-05-22）

我能够找到20%的最大值，但这对我没有帮助。我想把重点放在快速增长上

d = pd.Series(df['TS'].values[1:] - df['TS].values[:-1], index=df['TS'].index[:-1]).abs()
threshold = 0.8
m = d.max()
print(d > m * threshold)

例如，“破裂”在视觉上也有类似的表现。下面是一个示例，其中随机数据沿着它生成的图：

import matplotlib.pyplot as plt
import ruptures as rpt

# generate signal
n_samples, dim, sigma = 1000, 3, 4
n_bkps = 4  # number of breakpoints
#signal, bkps = rpt.pw_constant(n_samples, dim, n_bkps, noise_std=sigma)


# detection
algo = rpt.Pelt(model="rbf").fit(signal)
result = algo.predict(pen=10)

# display
rpt.display(signal, bkps, result)
plt.show()

---

您可以尝试对序列进行差分，以获得序列在每个步骤中的更改量。这是时间序列分析中的标准方法。这是对这个想法背后的理论的一次很好的讨论

实际上，

pandas

为我们提供了一种通过

.diff（）

方法区分序列的简单方法

df = pd.DataFrame({'a': [10, 20, 30, 40, 50, 60],
                   'b': [1, 1000, 20000, 3, 50, 80],
                   'c': [1000, 4, 97, 16, 2500, 36]})
df.diff()

      a        b       c
0   NaN      NaN     NaN
1  10.0    999.0  -996.0
2  10.0  19000.0    93.0
3  10.0 -19997.0   -81.0
4  10.0     47.0  2484.0
5  10.0     30.0 -2464.0

此过程从上一项中减去系列中的下一项（这就是为什么第一项观察现在是

NaN

）。可以向数据中添加第一个差分序列的特征：

df['a_first_difference'] = df['a'].diff()

然后，此系列中的值遵循其自身的分布。也许找到差分序列中高于某个阈值的所有值，就可以通过识别与前一个值相比变化最大的时段来测量“快速增长”。还可以获取

.diff（）

来告诉您下一个值的更改：

---

因此，这将有助于确定下一步发生重大变化的时期

您可以根据移动平均值和标准偏差计算置信区间，然后标记超出这些置信区间的数据点。有一篇文章做了类似的事情，让我看看我是否找到了。编辑：谢谢，我会看一看不完全是我要找的不幸的是，这里的方法可能是平滑数据（例如，使用Savitzky-Golay过滤器），然后分析一阶（和二阶）导数以确定基线。如果已识别基线，则可以提取信号。可能还有其他更适合您的特定测量类型的基线确定方法。您的输入数据在什么地方可用吗？我知道了。谢谢你的帮助：）如果你觉得这个问题有用，你也可以投赞成票。再次感谢：）

df.diff(periods=-1)

      a        b       c
0 -10.0   -999.0   996.0
1 -10.0 -19000.0   -93.0
2 -10.0  19997.0    81.0
3 -10.0    -47.0 -2484.0
4 -10.0    -30.0  2464.0
5   NaN      NaN     NaN