paddlets.analysis.time_domain
- class Seasonality(period: Union[None, int] = None, nlags: int = 300, alpha: float = 0.05, mode: str = 'additive', order: int = 1, **kwargs)[源代码]
基类：
Analyzer计算所给列的周期性，默认自动计算所有列周期性；若提供周期性按照提供的计算周期性曲线
- 参数
period (int) – 数据周期长度。如果默认会自动计算并基于此计算周期性曲线, 若提供数值按照提供的计算周期性曲线
nlags (int) – 自相关性lag阶数，默认300
alpha (float) – 自相关性置信区间，默认0.05
mode (str) – 周期性曲线数值周期性曲线提取方法，可选{additive, multiplicative}，默认additive
order (int) – 提取周期性时计算局部最大值两侧的数据对比当前点数值更小的点数
kwargs – 其他参数
- class Acf(nlags: int = 300, alpha: float = 0.05, **kwargs)[源代码]
基类：
Analyzer计算所提供的列的自相关性数值
- 参数
nlags (int) – 自相关性lag阶数，默认300
alpha (float) – 自相关性的置信区间，默认0.05
kwargs – 其他参数
- class Correlation(method: str = 'pearson', lag: int = 0, lag_cols: Optional[Union[str, List[str]]] = [], **kwargs)[源代码]
基类：
Analyzer计算所提供列之间的相关系数数值
- 参数
method (str) – 相关系数计算方法，可选{‘pearson’, ‘kendall’, ‘spearman’}或者自定义
lag (int) – 延迟点数目，便于计算延迟互相关性
lag_cols (List[str], str) – 需要延迟的列名列表
kwargs – 其他参数