pyEDM中SurrogateData怎么检查显著性

在pyEDM中，可以使用`SurrogateTest()`函数来检查数据的显著性。该函数可以生成一组随机序列（Surrogate Data），并将其作为原始数据的随机置换，然后计算原始数据和Surrogate Data之间的距离，用于判断原始数据的显著性。

函数的基本用法如下：

SurrogateTest( data, E, Tp=1, columns=None, sample=None, random=False, nSurrogates=100, verbose=False )

其中，参数说明如下：

- `data`：一个二维数组，包含时间序列数据。
- `E`：embedding维度。
- `Tp`：embedding延迟。
- `columns`：一个整数列表，指定要分析的数据列，如果不指定，则默认分析所有列。
- `sample`：一个整数，指定要分析的样本数量，如果不指定，则默认分析全部样本。
- `random`：一个布尔值，指定是否随机选择样本进行分析。
- `nSurrogates`：一个整数，指定Surrogate Data的数量。
- `verbose`：一个布尔值，指定是否输出详细信息。

函数返回一个字典，包含以下键值对：

- `Surrogate`：一个三维数组，表示Surrogate Data的值。
- `EDM`：一个二维数组，表示原始数据的EDM距离矩阵。
- `pValue`：一个二维数组，表示每个数据列的p值。
- `significant`：一个布尔值列表，表示每个数据列是否显著。
- `E`：embedding维度。
- `Tp`：embedding延迟。
- `N`：样本数量。

在使用该函数之前，需要先将pyEDM模块导入到Python代码中：

import pyEDM

使用该函数时，需要注意Surrogate Data的数量和EDM距离的计算方法，这些会影响到显著性检验的结果。通常情况下，Surrogate Data的数量越多，显著性检验的结果越可靠。