|
Ajralmas qismiga
|
bet | 7/7 | Sana | 17.02.2024 | Hajmi | 493,8 Kb. | | #158250 |
Bog'liq Документ Microsoft Word (3)import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
# Создаем небольшой временной ряд температуры
np.random.seed(0)
dates = pd.date_range(start='2023-01-01', end='2023-01-07', freq='H')
temperature = np.random.normal(loc=25, scale=5, size=len(dates))
df_temperature = pd.DataFrame({'Дата': dates, 'Температура': temperature})
# Устанавливаем 'Дата' в качестве индекса
df_temperature.set_index('Дата', inplace=True)
# Построим график временного ряда
plt.figure(figsize=(12, 4))
plt.plot(df_temperature.index, df_temperature['Температура'])
plt.title('Временной ряд температуры')
plt.xlabel('Дата и время')
plt.ylabel('Температура (°C)')
plt.grid(True)
plt.show()
# Рассчитываем автокорреляцию и частичную автокорреляцию
plt.figure(figsize=(12, 6))
plt.subplot(211)
plot_acf(df_temperature['Температура'], lags=50, ax=plt.gca())
plt.title('Автокорреляция')
plt.subplot(212)
plot_pacf(df_temperature['Температура'], lags=50, ax=plt.gca())
plt.title('Частичная автокорреляция')
plt.tight_layout()
plt.show()
Avtokorrelyatsiya va qisman avtokorrelyatsiya chizmalarida siz harorat vaqt seriyasini tahlil qilish va bashorat qilish uchun model parametrlarini tanlashda yordam beradigan sezilarli kechikishlarni ko'rishingiz mumkin. Ushbu grafiklar ma'lumotlarning tuzilishi va bog'liqligini aniqlashga yordam beradi.
|
| |