Python 如何转换时间指数进行季节分解?
我有一个信号数据,在熊猫数据帧-df中看起来像这样Python 如何转换时间指数进行季节分解?,python,pandas,statsmodels,Python,Pandas,Statsmodels,我有一个信号数据,在熊猫数据帧-df中看起来像这样 time val 0 152 1 152 2 153 . . . . 511 rows “时间”值以秒为单位,“val”表示振幅 df.index = Int64Index([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, ... 501, 502, 503, 504, 505, 506, 507, 508, 509
time val
0 152
1 152
2 153
. .
. .
511 rows
“时间”值以秒为单位,“val”表示振幅
df.index = Int64Index([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9,
...
501, 502, 503, 504, 505, 506, 507, 508, 509, 510],
dtype='int64', name='time', length=511)
我的最终目标是使用
sm.tsa.seasonal_decompose
从
当我以秒为单位对“时间”重新采样时,这会很好地工作
然而,这需要“时间”数据是DatetimeIndex、TimedeltaIndex或PeriodIndex,而它在int64中
我被困在这里了。任何建议都会很有帮助 我的建议是:
secs = []
for i in range(len(df['val'])):
secs.append(np.timedelta64(i, 's'))
df['time'] = secs
您将得到以下数据帧:
val time
0 152 00:00:00
1 153 00:00:01
2 154 00:00:02
3 155 00:00:03
4 156 00:00:04
.. ... ...
143 295 00:02:23
让我知道它是否适用于您。您能告诉我是否可以将此模型用于ARIMA时间序列预测吗?我想可以。唯一的问题是我使用了一个伪造的数据,结果问题没有任何意义。
val time
0 152 00:00:00
1 153 00:00:01
2 154 00:00:02
3 155 00:00:03
4 156 00:00:04
.. ... ...
143 295 00:02:23