52phm社区,工业互联网人的技术交流社区

2021-12-21 11:05:07    互联网    292    当前专栏:工业异常检测    分类:算法开发    本站官网:www.52phm.cn   

扫码进群 ...

突变点检测:Magnitude of trend之Sen's slope(python)

# Sen's slope

import numpy as np
from pandas import Series
from scipy.stats import norm


def sens_slope_trend_detection(inputdata,conf_level=0.95):
    inputdata = Series(inputdata)
    n  = inputdata.shape[0]
    t  = inputdata.value_counts()
    tadjs = sum(t * (t - 1) * (2 * t  5))
    varS = (n * (n - 1) * (2 * n  5) - tadjs)/18
    k = 0
    d = []
    for i in range(n-1):
        for j in range(i1,n):
            k = k1
            d.append((inputdata[j] - inputdata[i])/(j - i))
    b_sen = np.median(d)
    C = norm.ppf(1 - (1 - conf_level)/2) * np.sqrt(varS)
    rank_up = int(round((k  C)/2  1))
    rank_lo = int(round((k - C)/2))
    rank_d = sorted(d)
    lo = rank_d[rank_lo - 1]
    up = rank_d[rank_up - 1]
    S = 0
    for m in range(n):
        S = S  np.sum(np.sign(inputdata[m] - inputdata[0:m1]))
    sg = np.sign(S)
    z = sg * (np.abs(S) - 1)/np.sqrt(varS)
    pval = 2 * min(0.5, 1-norm.cdf(np.abs(z)))
    return b_sen,z,pval

测试结果如下:

这里写图片描述



原文链接:https://wanpingdou.blog.csdn.net/article/details/82109454

免责声明:信息来源于互联网聚合整理或者作者原创,非原创文章标示"互联网",原创文章标示"作者昵称",本文仅代表文章作者的个人观点,且文中陈述文字和内容的时效性、真实性与本站无关,请读者仅作参考,如发现有害或侵权内容,请联系我们将在第一时间进行核实处理。


[推荐] import numpy 报错:ModuleNotFoundError: No module named 'numpy.testing.nosetester'

2021-12-04 11:22:58    博客笔记    460    分类:开发环境    专栏:bug   


[推荐] 异常检测——ABOD(angle-based outlier detection)

2021-12-19 14:55:27    互联网    301    分类:论文速递    专栏:工业异常检测   


[推荐] 突变点检测:Buishand U test突变点检测(python)

2021-12-21 11:07:15    互联网    289    分类:算法开发    专栏:工业异常检测   



转发此文章到社区


进群

让志同道合读者学习交流



pip安装报错:ImportError: No module named 'pip'解决方法

pip安装报错:ImportError: No module named 'pip',分享个人踩坑记录,并介绍了解决方法

2021-12-04 11:21:53    博客笔记    388    分类:开发环境    专栏:未分组   


ImportError: No module named ‘pip._internal‘解决方法

pip安装报错:ImportError: No module named 'pip._internal',分享python安装模块的踩坑记录,希望能帮到各位解决bug

2021-12-04 11:22:03    博客笔记    575    分类:开发环境    专栏:bug   


pip出现错误,ImportError: module 'pip' has no attribute 'main'

## pip出现错误,ImportError: module 'pip' has no attribute 'main'下面介绍一个很好的解决方法,一般涉及到安装pip错误的时候,使用这个方法很有效果,本人亲测可行。其实主要思路就是重新从源地址下载pip的Python源代码,然后再通过这个py文件去安装pip。

2021-12-04 11:22:27    博客笔记    431    分类:开发环境    专栏:未分组   


matplotlib更新报错:Consider using the `--user` option or check the permissions.

### 更新matplotlib报错:Consider using the `--user` option or check the permissions. 在一次更新matplotlib时,发生报错,报信信息以及解决方法总结如下1、报错信息因为matplotlib需要更新,在终端输入以下命令:

2021-12-04 11:22:38    博客笔记    214    分类:开发环境    专栏:未分组   


下载超时:pip.ReadTimeoutError:HTTPSConnectionPool: Read timed out.

### 下载超时:pip.ReadTimeoutError:HTTPSConnectionPool: Read timed out.报错信息在安装Python模块包的时候,常常会因为各种原因下载失败,其中类似使用国外镜像下载、或者网速环境差的话,很容易会下载超时而失败。

2021-12-04 11:23:24    博客笔记    278    分类:开发环境    专栏:未分组   


不能卸载某个模块包:Cannot uninstall 'colorama'解决方法

### 不能卸载某个模块包:Cannot uninstall 'colorama'报错信息在卸载某个Python模块包时,发现并不能成功卸载,反而发生异常报错,报错信息如下:

2021-12-04 11:23:43    博客笔记    511    分类:开发环境    专栏:bug   


解决ipynb文件加载失败的问题:Unreadable Notebook: D:\xxx.ipynb NotJSONError

### 解决ipynb文件加载失败的问题:Unreadable Notebook: D:\xxx.ipynb NotJSONError报错信息 在jupyter notebook打开ipynb notebook文件时,发现加载一直不成功,另外还爆出异常提示信息,异常信息如下:

2021-12-04 11:23:53    博客笔记    338    分类:开发环境    专栏:未分组   


突变点检测:时序平稳性检验之ADF检验(python)

import numpy as npfrom statsmodels.tsa.stattools import adfuller as ADFdef trend_desc(inputdata): # 计算总趋势秩次和 inputdata = np.array(inputdata) n = inputdata.shape[0] sum_sgn = 0 ...

2021-12-21 10:58:04    互联网    319    分类:算法开发    专栏:工业异常检测   


异常分析介绍-《Outlier Analysis 2nd Edition》

异常值是与其余数据存在显然不同的数据点。 霍金斯定义异常值如下: <br> “异常值是一个与其他观察结果有很大差异的观察结果,以此引起人们怀疑它是由不同的机制产生的”。 <br> 在数据挖掘和统计学文献中,异常值也被称为abnormalities、discordants、deviants或anomalies。 在大多数应用中,数据是由一个或多个生成过程创建的,这些生成过程既可以反映系统中的活动,也可以反映收集的有关实体的观察结果。当生成过程表现异常时,会导致创建异常值。 因此,异常经常包含有关系统和实体影响数据生成过程的异常特征的有用信息。 对这些不寻常的特性的认识提供了有用的应用特定见解。 一些例子如下:

2021-12-21 11:00:12    互联网    240    分类:算法开发    专栏:工业异常检测   


异常分析-数据模型就是一切《Outlier Analysis 2nd Edition》

几乎所有异常值检测算法都会建立数据中正常模式的模型,然后根据这些模式的偏差计算给定数据点的异常值。 例如,该数据模型可以是生成模型,例如高斯混合模型,基于回归的模型或基于邻近的模型。 所有这些模型对数据的“正常”行为做出不同的假设。 然后通过评估数据点与模型之间的拟合质量来计算数据点的离群值分数。 在很多情况下,模型可能是算法定义的。 例如,基于最近邻的离群值检测算法根据其最近邻距离的分布对数据点

2021-12-21 11:00:33    互联网    230    分类:算法开发    专栏:工业异常检测