使用 Pandas.rolling 计算滚动自相关

Computing Rolling autocorrelation using Pandas.rolling

我正在尝试使用 Pandas (0.23.3)

计算 Series 对象的滚动自相关

设置示例:

dt_index = pd.date_range('2018-01-01','2018-02-01', freq = 'B')
data = np.random.rand(len(dt_index))
s = pd.Series(data, index = dt_index)

正在创建 window 大小 = 5 的滚动对象:

r = s.rolling(5)

获得:

Rolling [window=5,center=False,axis=0]

现在,当我尝试计算相关性时(很确定这是错误的方法):

r.corr(other=r)

我只得到 NaNs

我尝试了另一种基于 documentation::

的方法
df = pd.DataFrame()
df['a'] = s
df['b'] = s.shift(-1)
df.rolling(window=5).corr()

得到类似的东西:

...
2018-03-01 a NaN NaN
           b NaN NaN

真的不确定我哪里出错了。任何帮助将不胜感激!文档也使用 float64。认为这是因为相关性非常接近于零,所以它显示为 NaN?有人提出了错误报告 here,但我认为 jreback 在之前的错误修复中解决了这个问题。

这是另一个相关的答案,但它使用的是 pd.rolling_apply,Pandas 版本 0.23.3 似乎不支持它?

IIUC,

>>> s.rolling(5).apply(lambda x: x.autocorr(), raw=False)

2018-01-01         NaN
2018-01-02         NaN
2018-01-03         NaN
2018-01-04         NaN
2018-01-05   -0.502455
2018-01-08   -0.072132
2018-01-09   -0.216756
2018-01-10   -0.090358
2018-01-11   -0.928272
2018-01-12   -0.754725
2018-01-15   -0.822256
2018-01-16   -0.941788
2018-01-17   -0.765803
2018-01-18   -0.680472
2018-01-19   -0.902443
2018-01-22   -0.796185
2018-01-23   -0.691141
2018-01-24   -0.427208
2018-01-25    0.176668
2018-01-26    0.016166
2018-01-29   -0.876047
2018-01-30   -0.905765
2018-01-31   -0.859755
2018-02-01   -0.795077

这比 Pandas' autocorr 快很多,但结果不同。在我的数据集中,这两种方法的结果之间存在 0.87 的 Pearson 相关性。有一个关于为什么结果不同的讨论

from statsmodels.tsa.stattools import acf
s.rolling(5).apply(lambda x: acf(x, unbiased=True, fft=False)[1], raw=True)

注意输入不能有空值,否则将return全部为空值。