61 lines
3.0 KiB
Python
61 lines
3.0 KiB
Python
|
import matplotlib.pyplot as plt
|
|||
|
|
import pandas as pd
|
|||
|
|
from sklearn.preprocessing import StandardScaler, MinMaxScaler
|
|||
|
|
from statsmodels.tsa.holtwinters import ExponentialSmoothing
|
|||
|
|
|
|||
|
|
# Определим функцию сглаживания временного ряда, она понадобится позже
|
|||
|
|
def smooth_time_series(ts):
|
|||
|
|
## 1. Метод скользящего окна
|
|||
|
|
## Параметр window задает ширину окна усреднения значений
|
|||
|
|
#return ts.rolling(window=5).mean()
|
|||
|
|
|
|||
|
|
## 2. Метод экспоненциального сглаживания (метод Хольта-Уинтерса)
|
|||
|
|
## варианты для параметра trend: "add", "mul", "additive", "multiplicative", None
|
|||
|
|
## варианты для параметра seasonal: "add", "mul", "additive", "multiplicative", None
|
|||
|
|
## seasonal_periods задает для модели предполагаемый интервал сезонности,
|
|||
|
|
## когда ВР будет иметь похожие уровни и тенденции
|
|||
|
|
|
|||
|
|
model = ExponentialSmoothing(ts, trend="additive", seasonal="additive", seasonal_periods=5)
|
|||
|
|
return model.fit().fittedvalues
|
|||
|
|
|
|||
|
|
## Для чтения из файла необходимо взять временные ряды из предложенных наборов
|
|||
|
|
## и сохранить в csv файл как показано в примере, сформировав датасет
|
|||
|
|
dataset = pd.read_csv("ts2.csv", delimiter=";")
|
|||
|
|
|
|||
|
|
## после того как файл был прочтен, можно вывести содержимое временных рядов в консоль
|
|||
|
|
print(dataset)
|
|||
|
|
|
|||
|
|
## для выполнения первой части задания необходимо подобрать метод
|
|||
|
|
## и параметры сглаживания временного ряда
|
|||
|
|
## для этого выше реализован пример функции
|
|||
|
|
sds = dataset.apply(smooth_time_series)
|
|||
|
|
|
|||
|
|
plt.plot(sds, label='Сглаженный временной ряд')
|
|||
|
|
plt.plot(dataset, label='Исходный временной ряд')
|
|||
|
|
plt.show()
|
|||
|
|
|
|||
|
|
df = pd.DataFrame(MinMaxScaler().fit_transform(sds), columns=sds.columns)
|
|||
|
|
print(df)
|
|||
|
|
|
|||
|
|
# расчет степени корреляции между сглаженными временными рядами
|
|||
|
|
matrix = df.corr()
|
|||
|
|
print(matrix)
|
|||
|
|
|
|||
|
|
# для примера сравним корреляцию для несглаженных временных рядов
|
|||
|
|
matrix2 = dataset.corr()
|
|||
|
|
print(matrix2)
|
|||
|
|
|
|||
|
|
# визуализация матрицы корреляции
|
|||
|
|
plt.imshow(matrix, cmap='Blues')
|
|||
|
|
# добавление цветовой шкалы
|
|||
|
|
plt.colorbar()
|
|||
|
|
|
|||
|
|
# для диаграммы понадобятся имена временных рядов
|
|||
|
|
variables = []
|
|||
|
|
for i in matrix.columns:
|
|||
|
|
variables.append(i)
|
|||
|
|
|
|||
|
|
# Метки добавляются на диаграммы
|
|||
|
|
plt.xticks(range(len(matrix)), variables, rotation=45, ha='right')
|
|||
|
|
plt.yticks(range(len(matrix)), variables)
|
|||
|
|
plt.show()
|