Есть ли простой способ в python экстраполировать точки данных в будущее?

Question

У меня есть простой массив numpy, для каждой даты есть точка данных.Что - то вроде этого:

>>> import numpy as np
>>> from datetime import date
>>> from datetime import date
>>> x = np.array( [(date(2008,3,5), 4800 ), (date(2008,3,15), 4000 ), (date(2008,3,
20), 3500 ), (date(2008,4,5), 3000 ) ] )

Есть ли простой способ экстраполировать точки данных на будущее:дата (2008,5,1), дата (2008, 5, 20) и т.д.?Я понимаю, что это можно сделать с помощью математических алгоритмов.Но здесь я ищу какой-нибудь низко висящий фрукт.На самом деле мне нравится то, что делает numpy.linalg.solve, но это не выглядит применимым для экстраполяции.Может быть, я абсолютно неправ.

На самом деле, чтобы быть более конкретным, я строю диаграмму выгорания (термин xp).:"x = дата и y = объем предстоящей работы", итак, у меня есть уже выполненные спринты, и я хочу визуализировать, как будут проходить будущие спринты, если текущая ситуация сохранится.И, наконец, я хочу предсказать дату релиза.Таким образом, природа "объема работы, который необходимо выполнить" заключается в том, что он всегда отображается в графиках выгорания.Также я хочу получить экстраполированную дату релиза:дата, когда объем станет нулевым.

Это все для того, чтобы показать команде разработчиков, как идут дела.Точность здесь не так важна :) Мотивация команды разработчиков является основным фактором.Это означает, что я абсолютно согласен с очень приблизительной техникой экстраполяции.

Answer 1

Все это слишком просто для экстраполяции, чтобы генерировать мусор;попробуй это.Конечно, возможно множество различных экстраполяций;некоторые производят очевидный мусор, некоторые неочевидный, многие нечетко определены.

""" extrapolate y,m,d data with scipy UnivariateSpline """
import numpy as np
from scipy.interpolate import UnivariateSpline
    # pydoc scipy.interpolate.UnivariateSpline -- fitpack, unclear
from datetime import date
from pylab import *  # ipython -pylab

__version__ = "denis 23oct"


def daynumber( y,m,d ):
    """ 2005,1,1 -> 0  2006,1,1 -> 365 ... """
    return date( y,m,d ).toordinal() - date( 2005,1,1 ).toordinal()

days, values = np.array([
    (daynumber(2005,1,1), 1.2 ),
    (daynumber(2005,4,1), 1.8 ),
    (daynumber(2005,9,1), 5.3 ),
    (daynumber(2005,10,1), 5.3 )
    ]).T
dayswanted = np.array([ daynumber( year, month, 1 )
        for year in range( 2005, 2006+1 )
        for month in range( 1, 12+1 )])

np.set_printoptions( 1 )  # .1f
print "days:", days
print "values:", values
print "dayswanted:", dayswanted

title( "extrapolation with scipy.interpolate.UnivariateSpline" )
plot( days, values, "o" )
for k in (1,2,3):  # line parabola cubicspline
    extrapolator = UnivariateSpline( days, values, k=k )
    y = extrapolator( dayswanted )
    label = "k=%d" % k
    print label, y
    plot( dayswanted, y, label=label  )  # pylab

legend( loc="lower left" )
grid(True)
savefig( "extrapolate-UnivariateSpline.png", dpi=50 )
show()

Добавлено:a Билет Scipy говорит: "Поведение классов FITPACK в scipy.interpolate намного сложнее, чем можно было бы предположить из документов" - imho верно и для других программных документов.

Answer 2

Простой способ экстраполяции — использовать интерполирующие полиномы или сплайны:для этого есть много процедур scipy.interpolate, и они довольно просты в использовании (просто укажите точки (x, y), и вы получите функцию [точно вызываемую]).

Теперь, как было указано в этой теме, вы не можете ожидать, что экстраполяция всегда будет значимой (особенно если вы находитесь далеко от точек данных), если у вас нет модели для ваших данных.Тем не менее, я рекомендую вам поиграть с полиномиальной или сплайновой интерполяцией из scipy.interpolate, чтобы увидеть, подходят ли вам полученные результаты.

Answer 3

В этом случае лучше всего использовать математические модели.Например, если у вас есть только три точки данных, вы не можете иметь абсолютно никаких указаний на то, как будет развиваться тренд (это может быть любая из двух парабол).

Пройдите курсы по статистике и попробуйте реализовать алгоритмы.Пытаться Викикниги.

Answer 4

Вы должны указать, на какую функцию вам нужна экстраполяция.Чем вы можете использовать регрессию http://en.wikipedia.org/wiki/Regression_analysis чтобы найти парамет-ры функции.И экстраполируйте это на будущее.

Например:переведите даты в значения x и используйте первый день как x = 0. для вашей задачи значения должны быть приблизительно равны (0,1.2), (400,1.8),(900,5.3)

Теперь вы решаете, что его точки лежат на функции типа a + bx+cx^2

Используйте метод наименьших квадратов, чтобы найти a, b и c http://en.wikipedia.org/wiki/Linear_least_squares (я предоставлю полный исходный код, но позже, так как у меня нет на это времени)