Python 从时间序列中提取模式

我有以下数据集，一个熊猫数据帧：

      Score   min   max               Date
Loc
0    2.757  0.000  2.757 2020-07-04 11:00:00
3    2.723  2.723  0.000 2020-07-04 14:00:00
8    2.724  2.724  0.000 2020-07-04 19:00:00
11   2.752  0.000  2.752 2020-07-04 22:00:00
13   2.742  2.742  0.000 2020-07-05 00:00:00
15   2.781  0.000  2.781 2020-07-05 02:00:00
18   2.758  2.758  0.000 2020-07-05 05:00:00
20   2.865  0.000  2.865 2020-07-05 07:00:00
24   2.832  0.000  2.832 2020-07-05 11:00:00
25   2.779  2.779  0.000 2020-07-05 12:00:00
29   2.775  2.775  0.000 2020-07-05 16:00:00
34   2.954  0.000  2.954 2020-07-05 21:00:00
37   2.886  2.886  0.000 2020-07-06 00:00:00
48   3.101  0.000  3.101 2020-07-06 11:00:00
53   3.012  3.012  0.000 2020-07-06 16:00:00
55   3.068  0.000  3.068 2020-07-06 18:00:00
61   2.970  2.970  0.000 2020-07-07 00:00:00
64   3.058  0.000  3.058 2020-07-07 03:00:00

其中：

分数是一个非常基本的趋势，最小值和最大值是分数的局部最小值和最大值

Loc是该行x轴上的值，日期是图表上该行的日期

绘制时，该数据如下所示：

我试图从我的代码中检测红色框中的数据，以便在其他数据集中检测它。基本上，我正在寻找的是一种从我的代码中设置该数据段定义的方法，以便可以从其他数据中检测到它

到目前为止，我只在图表上标记了局部最大值和最小值黄点和红点，我还知道如何用自己的话定义该模式，我只需要从代码中执行：

定义最小值/最大值点非常远的时间，使其与上一个最小值/最大值点具有更高的值

然后，找出局部极小值和极大值的点是否非常接近，它们的值是否相差不大。简言之，当一个强劲的增长，如果紧随其后的是一个范围内的分数没有上升或下降很多

---

我希望问题足够清楚，如果需要，我可以提供更多细节。我不知道它是否适用于Numpy或任何其他库。

我认为动态时间扭曲dtw可能适合您。我也用过类似的东西。本质上，它允许您评估时间序列的相似性

以下是我所知道的python实现：

fastdtw dtw dtw python 这里有一个很好的解释它是如何工作的

您可以使用它来比较传入的时间序列与红色框中的数据的相似程度

例如：

# Event were looking for
event = np.array([10, 100, 50, 60, 50, 70])

# A matching event occurring
event2 = np.array([0, 7, 12, 4, 11, 100, 51, 62, 53, 72])

# A non matching event
non_event = np.array([0, 5, 10, 5, 10, 20, 30, 20, 11, 9])

distance, path = fastdtw(event, event2)
distance2, path2 = fastdtw(event, non_event)

这将产生一组指数，其中两个时间序列最匹配。此时，您可以通过您喜欢的方法进行评估。我粗略地看了一下这些值之间的相关性

def event_corr(event,event2, path):
    d = []
    for p in path:
        d.append((event2[p[1]] * event[p[0]])/event[p[0]]**2)

    return np.mean(d)

print("Our event re-occuring is {:0.2f} correlated with our search event.".format(event_corr(event, event2, path)))
print("Our non-event is {:0.2f} correlated with our search event.".format(event_corr(event, non_event, path2)))

产生：

我们的事件重复发生与我们的搜索事件相关度为0.85

---

我们的非事件与搜索事件的相关性为0.45。

使用相关或互相关函数听起来很简单。numpy和scipy中都有实现。尝试一下，如果您有具体问题，请随时更新。谢谢您的回答！关于这件事你有什么例子吗？我刚刚开始，你应该提供一个最小的工作示例。我给了你一个开始四处看看的提示，这样你就可以开始了。希望您可以在numpy或scipy文档中找到一些示例进行尝试。如果您有具体的实现问题或错误，那么您可以打开另一个问题，或者更新此问题。我发现了互相关等的含义，但我不确定这是否是我在这个阶段需要的。基本上，从我的理解来看，交叉关联意味着在数据集中找到一种模式。在本例中，我有一个我想要搜索的模式，但我不知道如何用代码定义该模式，这是主要问题，只需使用数据集中的数据即可。然后尝试将其与其他数据集相匹配。试试看。如果你遇到了一个特定的问题，那么请多多询问你的答案。这很有趣！我唯一的问题是我需要以某种方式规范化这些数据，原因如下：模式可能与我在问题上附加的模式完全相同，但值不同。因此，在这种情况下，模式中的值范围为2到3；但是，如果图案的形状相同，但值从13到15，例如，会发生什么情况？根据其他数据不是事件时的情况，可以通过将数据集除以在某个时间段内的变化（例如，应用dtw之前的data/max-min）来进行规范化。事实上，通过变量进行规范化可能是一个很好的解决方案，尽管在某些情况下可能仍然有点不准确，所以我想看看是否有更准确的方法。让我对DTM进行一些研究，看看它是否能与我的案例一起工作。顺便问一下，你用过树桩吗？对我来说，这听起来像是一个很酷的工作；我认为这在很大程度上取决于我如何规范我的数据，但这可能是一种可行的方法。我将用DTW测试它，看看我得到了什么，如果我有任何问题，我将提出另一个问题。非常感谢你！还有一件事：假设有一个模式A，例如红色框中的模式。然后我有另一个数据集。我想在数据集B中找到模式A，因为数据集B很大，所以模式A只能在数据集的某些部分找到，所以我只需要从数据集B中提取找到模式A的区域；可能吗？