python 计算时间序列样本熵的代码

以下是一个用于计算时间序列样本熵（Sample Entropy）的Python代码示例：

import numpy as np

def sample_entropy(time_series, m, r):
    """
    计算时间序列的样本熵（Sample Entropy）
    
    参数：
    time_series: 时间序列数据，类型为一维数组或列表
    m: 子序列长度，用于计算样本熵的子序列长度
    r: 阈值参数，用于定义相似性比较的阈值
    
    返回值：
    样本熵的计算结果，类型为浮点数
    """
    
    n = len(time_series)
    result = np.zeros(n-m+1)
    
    for i in range(n-m+1):
        sub_time_series = time_series[i:i+m]
        
        # 计算与该子序列相似的数量（包括自身）
        count = 0
        for j in range(n-m+1):
            if np.max(np.abs(sub_time_series - time_series[j:j+m])) <= r:
                count += 1
        
        # 将相似数量除以总体数量并取对数
        result[i] = np.log(count / (n-m+1))
    
    return -np.mean(result)

# 示例使用
time_series = [1, 2, 3, 1, 2, 3, 1, 2, 3]
m = 2
r = 0.2 * np.std(time_series)

entropy = sample_entropy(time_series, m, r)
print("Sample Entropy:", entropy)

在示例代码中，`sample_entropy`函数接受一个时间序列数据（例如列表或一维数组），子序列长度 `m` 和相似性阈值 `r` 作为输入参数。它使用嵌套循环来计算样本熵的值，并返回结果。

在示例中，我们使用了一个简单的时间序列 `[1, 2, 3, 1, 2, 3, 1, 2, 3]` 进行计算，并指定了子序列长度 `m=2` 和相似性阈值 `r=0.2`。

您可以将上述代码示例用于您的时间序列数据，并根据需要调整子序列长度和相似性阈值。