-zaman serisi verileri olarak takip etmiş

Question

pandas için trend çizgisi ekleyin:

    emplvl 
date      
2003-01-01 10955.000000 
2003-04-01 11090.333333 
2003-07-01 11157.000000 
2003-10-01 11335.666667 
2004-01-01 11045.000000 
2004-04-01 11175.666667 
2004-07-01 11135.666667 
2004-10-01 11480.333333 
2005-01-01 11441.000000 
2005-04-01 11531.000000 
2005-07-01 11320.000000 
2005-10-01 11516.666667 
2006-01-01 11291.000000 
2006-04-01 11223.000000 
2006-07-01 11230.000000 
2006-10-01 11293.000000 
2007-01-01 11126.666667 
2007-04-01 11383.666667 
2007-07-01 11535.666667 
2007-10-01 11567.333333 
2008-01-01 11226.666667 
2008-04-01 11342.000000 
2008-07-01 11201.666667 
2008-10-01 11321.000000 
2009-01-01 11082.333333 
2009-04-01 11099.000000 
2009-07-01 10905.666667 

I (kesişim noktası ile), en basit şekilde, bir doğrusal eğilim eklemek istiyorum

üzerine bu grafik. Ayrıca, bu trendi sadece 2006'dan önce verilere dayanarak hesaplamak istiyorum.

Burada bazı cevaplar buldum, ancak hepsi statsmodels'u içeriyor. Her şeyden önce, bu cevaplar güncel olmayabilir: pandas geliştirilmiş ve şimdi kendisi bir OLS bileşeni içerir. İkinci olarak, statsmodels, doğrusal bir eğilim yerine, her bir zaman periyodu için bireysel bir sabit etkiyi tahmin ediyor görünmektedir. Bir çeyrek dönem değişkenini yeniden hesaplayabilirim, ama bunu yapmanın daha rahat bir yolu var mı?

      OLS Regression Results        
============================================================================== 
Dep. Variable:     emplvl R-squared:      1.000 
Model:       OLS Adj. R-squared:     nan 
Method:     Least Squares F-statistic:      0.000 
Date:    tor, 14 apr 2016 Prob (F-statistic):    nan 
Time:      17:17:43 Log-Likelihood:     929.85 
No. Observations:     40 AIC:       -1780. 
Df Residuals:      0 BIC:       -1712. 
Df Model:       39           
Covariance Type:   nonrobust           
============================================================================================================ 
               coef std err   t  P>|t|  [95.0% Conf. Int.] 
------------------------------------------------------------------------------------------------------------ 
Intercept         1.095e+04  inf   0  nan   nan  nan 
date[T.Timestamp('2003-04-01 00:00:00')] 135.3333  inf   0  nan   nan  nan 
date[T.Timestamp('2003-07-01 00:00:00')] 202.0000  inf   0  nan   nan  nan 
date[T.Timestamp('2003-10-01 00:00:00')] 380.6667  inf   0  nan   nan  nan 
date[T.Timestamp('2004-01-01 00:00:00')] 90.0000  inf   0  nan   nan  nan 
date[T.Timestamp('2004-04-01 00:00:00')] 220.6667  inf   0  nan   nan  nan 

Nasıl, en basit şekilde, bu trendi tahmin ve benim veri çerçevesine bir sütun olarak tahmin değerleri eklerim?

Genelde

Answer 1

Eğer matplotlib rakam oluşturmalı ve eksenleri vaktinden itiraz ve açıkça bu konuda dataframe çizmek:

from matplotlib import pyplot 
import pandas 
import statsmodels.api as sm 

df = pandas.read_csv(...) 

fig, ax = pyplot.subplots() 
df.plot(x='xcol', y='ycol', ax=ax) 

Sonra yine eksenleri Çizginizi çizmek için doğrudan kullanmak etrafında nesne buna sahip:

model = sm.formula.ols(formula='ycol ~ xcol', data=df) 
res = model.fit() 
df.assign(fit=res.fittedvalues).plot(x='xcol', y='fit', ax=ax) 

Answer 2

İşte pandas.ols kullanarak bunu yapmak için nasıl bir örnek aşağıda verilmiştir:

import matplotlib.pyplot as plt 
import pandas as pd 

x = pd.Series(np.arange(50)) 
y = pd.Series(10 + (2 * x + np.random.randint(-5, + 5, 50))) 
regression = pd.ols(y=y, x=x) 
regression.summary 

-------------------------Summary of Regression Analysis------------------------- 

Formula: Y ~ <x> + <intercept> 

Number of Observations:   50 
Number of Degrees of Freedom: 2 

R-squared:   0.9913 
Adj R-squared:  0.9911 

Rmse:    2.7625 

F-stat (1, 48): 5465.1446, p-value:  0.0000 

Degrees of Freedom: model 1, resid 48 

-----------------------Summary of Estimated Coefficients------------------------ 
     Variable  Coef Std Err  t-stat p-value CI 2.5% CI 97.5% 
-------------------------------------------------------------------------------- 
      x  2.0013  0.0271  73.93  0.0000  1.9483  2.0544 
    intercept  9.5271  0.7698  12.38  0.0000  8.0183 11.0358 
---------------------------------End of Summary--------------------------------- 

trend = regression.predict(beta=regression.beta, x=x[20:]) # slicing to only use last 30 points 
data = pd.DataFrame(index=x, data={'y': y, 'trend': trend}) 
data.plot() # add kwargs for title and other layout/design aspects 
plt.show() # or plt.gcf().savefig(path)