写一个Python程序，判断时序数据是否发生频率变化异常，返回异常种类和异常所属时间点

首先，我们需要导入需要的库，例如numpy和pandas。

然后，我们可以读取时序数据并将其存储在pandas的DataFrame中。

接下来，我们可以使用Pandas的rolling()函数计算时间窗口的频率。

然后，我们可以使用scipy库中的zscore()函数计算数据的z-score。

如果z-score的绝对值大于阈值，则可以认为数据发生了频率变化异常。我们可以使用numpy库中的where()函数来找到异常所属时间点。

代码示例如下：

import numpy as np
import pandas as pd
from scipy import stats

# 读取时序数据并存储在df中
df = pd.read_csv('data.csv')

# 计算时间窗口内的频率
frequency = df['value'].rolling(window=10).mean()

# 计算频率的z-score
zscore = stats.zscore(frequency)

# 设置阈值
threshold = 3

# 找到异常点
anomaly_index = np.where(np.abs(zscore) > threshold)

# 输出异常种类和异常所属时间点
print('Anomaly type: Frequency change')
print('Anomaly time:', df.iloc[anomaly_index])

需要注意的是，上面的代码只是一种简单的例子，实际应用中还可以使用其他更复杂的算法来检测时序数据的异常。