Python 计算数据帧中的斜率

这个问题只是关于计算数据帧中每个时间步的斜率。这里有很多额外的细节，欢迎您阅读或不阅读，但这一步就是我所寻找的全部

我有一个预测和一个观测数据框。我试图计算预测中“有趣”的变化

我希望通过以下方式实现这一目标：

• 计算观测数据的最佳拟合（即线性回归）
• 找到它的斜坡
• 找出观测数据每个时刻的斜率和斜率之间的差异

为此，我需要在时间序列的每个时刻生成斜率

• 计算STDEV和该差值的平均值
• 使用它为预测DF中的值生成z分数

如何计算数据中每个点的坡度

起初的 要“计算数据中每个点的斜率”，最简单的方法是使用

Series.diff（）

计算每个相邻行的“上升超过行程”，如下所示。由此产生的序列给出（估计）上一行和当前行之间的瞬时变化率（IROC）

iroc = original[app].diff() / original['date'].diff()

此外，您不需要应用

。得益于numpy矢量化，
标量-数组
的行为符合预期：

delta = slope - iroc

希望这能奏效。正如文本所评论的那样，查看实际数据和您的预期输出将非常有帮助。
您想向我们展示样本数据和预期输出吗？所有的数字都是标准化的——它们都是介于0和1之间的值。我在文章中增加了很多清晰度。。。我不认为具体的数字是重要的。。[0,0.5,2,3.5,4.5,5.5,6,6.5,8,9]，[10.2,11.4,12,16,13.5]将是良好的输入值。。。得到一个只有16个的集合将是预期的结果。我认为这看起来很优雅，很完美，但是当我应用它，然后计算zscores:
original['z']=delta.apply（lambda x:x-odm/ods）
该范围内的最小值和最大值都是负值。那是不可能的，对吗？它们应该正态分布在0附近，只需要括号就可以获得正确的操作顺序：）
lambda x:（x-odm）/ods
。这也可以在不使用
apply（lambda）
的情况下实现。
delta = slope - iroc