TimeSeriesResample

TimeSeriesResample[tseries]

用最小时间增量对 tseries 进行均匀抽样.

TimeSeriesResample[tseries,rspec]

用 rspec 对 tseries 进行抽样.

更多信息和选项

  • TimeSeriesResample 经常被用于将不规则时间序列转换成规则时间序列.还可用来对齐时间序列.
  • 时间序列 tseries 可以是数值列表 {x1,x2,…}、时间-数值对列表 {{t1,x1},{t2,x2},…}、 TimeSeries、EventSeries 或 TemporalData.
  • rspec 的基本设置包括：
  • dt使用均匀时间间隔 dt
    {t_(0),t_(1),dt}时间从 t0 到 t1，间隔 dt
    {{t1,t2,…}}明确给出时间点 {t1,t2,…}
    dayspecuse day specification
  • 可能的 dayspec 类型为："Weekday"、"Weekend"、Monday 到 Sunday、"BeginningOfMonth"、"EndOfMonth"、"BusinessDay" 和 "Holiday".
  • 如果 dt 被设为 Automatic，则采用 tseries 中的最小时间增量.
  • 如果 tseries 包含多个路径，可以用到下列关于 rspec 的设置：
  • "Union"使用出现在 tseries 中的所有时间点
    "Intersection"使用各个路径共有的时间点
    {"Times",p}使用路径 p 的时间点
  • 如果没有给出时间点，则认为 tseries 是以单位时间为间隔的规则时间序列.
  • TimeSeriesResample 接受下列选项：
  • ResamplingMethod Automatic用来对路径进行重新抽样的方法
    CalendarType "Gregorian"诠释日期的日历系统
    HolidayCalendar {"UnitedStates","Default"}工作日的假期日历表
    TimeZone Automatic日期的时区规范

范例

打开所有单元关闭所有单元

基本范例  (3)

重新采样时间序列：

间距小于最小时间增量的重新采样将添加时间戳：

间距大于最小时间增量的重新采样：

重新采样带有日期的时间序列：

选择工作日：

选择周末：

选择周三:

重新采样不规则数据：

用步长 2 重新采样：

重新采样过的时间序列变为规则采样序列：

范围  (13)

基本用途  (3)

降低时间序列的采样率：

以粒度 0.25 重新抽样：

同时对多个路径进行抽样：

以粒度 0.1 重新抽样：

填充缺失数值：

按天重新抽样，插补假日和周末的数据：

也可插入 Missing：

数据类型  (6)

以向量形式重新抽样时间序列：

将采样率提高两倍：

将采样率降低一半：

时间-数据对时间序列：

将采样率提高两倍：

将采样率降低一半：

重新抽样 TimeSeries：

将采样率提高两倍：

将采样率降低一半：

重新抽样 EventSeries：

缺省情况下，不对事件序列进行插值处理：

重新设置 ResamplingMethod：

以 TemporalData 形式给出的单个路径：

将采样率提高两倍：

将采样率降低一半：

以 TemporalData 形式给出的多个路径：

将采样率提高两倍：

将采样率降低一半：

抽样  (4)

按最小时间增量重新抽样：

原始数据不规则：

重新抽样后数据保持了同样的最小时间增量，并变成规则数据：

指定抽样时间增量为 3：

较大的时间增量给出比较粗的抽样：

使用基于日历时间的抽样增量：

对多个路径重新抽样：

合并使用所有的时间点：

使用共有的时间点：

使用第一个路径中的时间点：

选项  (6)

ResamplingMethod  (3)

用线性插值法重新抽样不规则数据：

缺省情况下，使用数据自身的抽样方法：

对于不规则数据，设置 ResamplingMethod 为 None 会给出缺失值：

使用常数：

CalendarType  (1)

股票价格的时间序列：

使用伊斯兰日历重采样：

HolidayCalendar  (1)

股票价格的时间序列：

根据美国的工作日重采样：

根据纽约证券交易所工作日的重采样：

查找纽约证交所关闭时的美国工作日：

纽约证交所观察到的假日：

TimeZone  (1)

股票价格的时间序列：

时间序列不是常规采样：

在纽约市时区根据纽约证交所工作日重采样：

应用  (5)

该时间序列包含一个人在五个月内每天的步数：

根据星期几分析步数：

为一周的每一天选择值：

计算一周中每一天的平均步数：

可视化每天的平均步数：

只有工作日才有金融数据：

自动生成的时间序列是不规则抽样数据：

根据 "BusinessDay" 重新抽样，使时间序列规则化：

路径保持一致：

再来看一些金融数据：

只有工作日才有金融数据. 余下的时间里数据没有变化；因此，我们可以按天重新抽样，没有数据的那天则使用前一天的数据：

所以在周末和假日时，曲线是平的：

用 AirPressureData 来研究在长岛麦克阿瑟机场，由飓风 Sandy 造成的气压变化：

数据为不规则抽样数据：

为了分析变化率，将数据重新抽样成规则抽样时间序列：

分开绘制各数据点，可以从中看出气压的变化情况，较大的间隔表示较快的变化：

分析香槟2014年各月的温度：

初始数据是按天分段的：

按月重新取样：

基本描述概率：

与原始数据比较：

可能存在的问题  (1)

重新抽样后可能无法保存原有的时间戳：

请注意该时间序列是不规则抽样数据：

按 MinimumTimeIncrement 重新抽样：

新的时间点：

Wolfram Research (2014)，TimeSeriesResample，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesResample.html （更新于 2019 年）.

文本

Wolfram Research (2014)，TimeSeriesResample，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesResample.html （更新于 2019 年）.

CMS

Wolfram 语言. 2014. "TimeSeriesResample." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2019. https://reference.wolfram.com/language/ref/TimeSeriesResample.html.

APA

Wolfram 语言. (2014). TimeSeriesResample. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/TimeSeriesResample.html 年

BibTeX

@misc{reference.wolfram_2024_timeseriesresample, author="Wolfram Research", title="{TimeSeriesResample}", year="2019", howpublished="\url{https://reference.wolfram.com/language/ref/TimeSeriesResample.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_timeseriesresample, organization={Wolfram Research}, title={TimeSeriesResample}, year={2019}, url={https://reference.wolfram.com/language/ref/TimeSeriesResample.html}, note=[Accessed: 22-November-2024 ]}