如何创建具有不同模式的时间序列数据集（Python）

本文插图
时间序列是按时间顺序排列的一系列值。不管任何领域，我们都可能会遇到时间序列数据。典型的例子包括天气预报、汇率、销售数据、声波等。时间序列可以是表示为有序序列的任何类型的数据。
在这篇文章中，我们将创建不同模式的时间序列数据。合成数据集的一个优点是，我们可以测量机器学习模型的性能，并了解它在实际数据中的表现。
时间序列的常见模式包括:

趋势:整体上升或下降的方向。
季节性:以固定时间间隔重复的模式。
白噪音:时间序列并不总是遵循某种模式（或包含季节性）。一些过程仅产生随机数据，这种时间序列称为白噪声。

注意:图像并非总是平滑的，通常会有一些噪音。此外，时间序列可能包括不同模式的组合。
我们将使用numpy来生成数值数组，并使用matplotlib来绘制序列。让我们从导入所需的Python库开始:
import numpy as np import matplotlib.pyplot as plt %matplotlib inline我们可以定义一个将数组作为输入并创建图形的Python函数：
def plot_time_series(time, values, label): plt.figure(figsize=(10,6)) plt.plot(time, values) plt.xlabel(''Time'', fontsize=20) plt.ylabel(''Value'', fontsize=20) plt.title(label, fontsize=20) plt.grid(True)时间序列趋势
这是最简单的一个，它是一个具有上升趋势的时间序列。我们创建一个具有时间和斜率的数组。然后将这些数组作为参数传递给我们的函数， Python代码如下：
time = np.arange(100) values = time*0.4 plot_time_series(time, values, ''Upward Trend'')
【如何创建具有不同模式的时间序列数据集（Python）】

本文插图
时间序列中的季节性
现在，我们可以绘制具有季节性的时间序列。我我们需要一个重复相同模式的序列。 Python实现如下：
# Just a random pattern time = np.arange(50) values = np.where(time < 10, time**3, (time-9)**2) # Repeat the pattern 5 times seasonal = [] for i in range(5): for j in range(50): seasonal.append(values[j]) # Plot time_seasonal = np.arange(250) plot_time_series(time_seasonal, seasonal, label=''Seasonality'')

本文插图
这只是一个随机模式。您可以用numpy尝试不同的模式。
噪声
我们可以使用np.random.randn函数创建随机噪声。然后将该噪声添加到季节性序列中， Python实现如下：
noise = np.random.randn(250)*100 seasonal += noise time_seasonal = np.arange(250) plot_time_series(time_seasonal, seasonal, label=''Seasonality with Noise'')

本文插图
多种模式组合
我们可以在时间序列中看到不同模式的组合。例如，下面的时间序列包含上升趋势和季节性，也含有一些噪声。
seasonal_upward = seasonal + np.arange(250)*10 time_seasonal = np.arange(250) plot_time_series(time_seasonal, seasonal_upward, label=''Seasonality + Upward Trend + Noise'')

本文插图
白噪声
有些过程会产生不遵循任何模式的随机数据。这种时间序列被称为白噪声，很难分析和预测。让我们使用Python来创建一个白噪声示例: