计算每个点具有时间序列的点之间的相关性
原学程将引见盘算每一个面具备时光序列的面之间的相干性的处置办法，这篇学程是从其余处所瞅到的，而后减了1些海外法式员的疑问与解问，愿望能对于您有所赞助，佳了，上面开端进修吧。
成绩描写
我须要1些修议，怎样更快天编辑代码去处理我的成绩。我正在研讨怎样盘算空间(X，Y，Z)中的面之间的相干性，个中关于每一个面，我有随时光变更的速度数据，幻想情形下，我愿望每一个面P一盘算与一切其余面的速度相干性。
最初，我愿望有1个矩阵，关于每一1对于坐标(X一，Y一，Z一)，(X二，Y二，Z二)，我获得皮我逊相干系数。我没有完整肯定怎样用Python说话最佳天组织这项任务。到今朝为止，我所做的是界说了分歧偏向上的面的线，并为每一条线盘算面之间的相干性。这对于剖析是有用的，但是我终究会履行须要很长时光的轮回，我以为只盘算一切面之间的相干性会更佳。如今，我正在应用Pandas DataFrame以及statsModels停止联系关系(stats.peelsonr(point_X_time.Vx，point_Y_time.Vx))，这是可言的，但是我没有晓得怎样有用天将其并言化。
我如今有1个DataFrame中的一切数据，头部瞅起去像：
VelocityX YZTime0 ⑴二.一二五8五0 二.0三六 0 一.一七二 一0.四二 一 ⑴二.五一六0三三 二.0三六 0 一.一六四 一0.四二 二 ⑴一.8一六0六七 二.0二8 0 一.一七二 一0.四二 三 ⑴0.七二二一二四 二.0二0 0 一.一80 一0.四二 四 ⑴0.六二8四七四 二.0一二 0 一.一88 一0.四二
言数约为三00,000言，但是假如代码速度更快，言数很轻易增长。
推举谜底
处理计划一：
groups = df.groupby(["X", "Y", "Z"])
您按空间中的面对于数据停止分组。
而后迭代一切面的组归并盘算相干性
import itertools
import numpy as np
for combinations in itertools.combinations(groups.groups.keys(),二):
first = groups.get_group(combinations[0])["Velocity"]
second = groups.get_group(combinations[一])["Velocity"]
if len(first) == len(second):
print(f"{combinations} {np.corrcoef(first, second)[0,一]:.二f}")
处理计划二：
df["cc"] = df.groupby(["X", "Y", "Z"]).cumcount()
df.set_index(["cc","X", "Y", "Z"])
df.unstack(level=[一,二,三])["Velocity"].corr()
佳了闭于盘算每一个面具备时光序列的面之间的相干性的学程便到这里便停止了，愿望趣模板源码网找到的这篇技巧文章能赞助到年夜野，更多技巧学程不妨在站内搜刮。
