用R/S法计算的Hurst指数全部python代码，包括输入EXCEL一维数据的代码

以下是用R/S法计算Hurst指数的Python代码，包括读取Excel数据表的代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取Excel数据表
data = pd.read_excel('data.xlsx')
x = data['x'].values

def hurst(ts):
    """
    计算Hurst指数
    """
    lags = range(2, 100)
    tau = [np.sqrt(np.std(np.subtract(ts[lag:], ts[:-lag]))) for lag in lags]
    poly = np.polyfit(np.log(lags), np.log(tau), 1)
    return poly[0]*2.0

def rs_analysis(data):
    """
    R/S分析函数
    """
    n = len(data)
    # 计算均值
    mean = np.mean(data)
    # 计算离差序列
    X = data - mean
    # 计算累加序列
    Y = np.cumsum(X)
    # 计算极差序列
    R = np.max(Y) - np.min(Y)
    # 计算标准差
    S = []
    for i in range(1, n+1):
        temp = np.sqrt(np.sum(np.square(X[:i]))/i)
        S.append(temp)
    # 计算R/S值
    RS = R/S
    return RS

# 计算R/S值
RS = rs_analysis(x)

# 绘制R/S图像
plt.plot(RS)
plt.title('R/S Analysis')
plt.xlabel('Time')
plt.ylabel('R/S')
plt.show()

# 计算Hurst指数
H = hurst(x)
print('Hurst指数为：{}'.format(H))

在这段代码中，首先使用`pandas`库中的`read_excel`函数读取Excel数据表，并将数据存储在`x`数组中。然后，定义了一个名为`hurst`的函数，用于计算Hurst指数。在`hurst`函数中，首先定义了一个名为`lags`的数组，其中包含从2到99的整数。然后，使用`numpy`库中的`subtract`函数计算时间序列`ts`的每个滞后时间点之间的差异，并使用`numpy`库中的`std`函数计算这些差异的标准差。接下来，将这些标准差存储在名为`tau`的数组中。最后，使用`numpy`库中的`polyfit`函数拟合一个直线，将时间序列的滞后时间作为自变量，将标准差的对数作为因变量，得到直线的斜率。最终，将斜率乘以2.0作为Hurst指数的估计值。

接下来，定义了一个名为`rs_analysis`的函数，用于R/S分析。在`rs_analysis`函数中，首先计算时间序列的均值。然后，计算离差序列，即每个数据点与均值的差异。接下来，计算累加序列，即将离差序列进行累加。然后，计算极差序列，即累加序列的最大值与最小值之差。接下来，计算标准差序列，即每个数据点之前的离差序列的标准差。最后，计算R/S值，即极差序列与标准差序列的比值。

然后，使用`rs_analysis`函数计算出时间序列的R/S值，并绘制R/S图像。最后，使用`hurst`函数计算出时间序列的Hurst指数，并将其打印出来。