pandas实现传递熵

传递熵是一种用于分析时间序列数据的方法，可以用来探索两个时间序列之间的信息流动方向。在 Pandas 中，可以使用 `shift()` 函数对时间序列进行滞后处理，然后使用 `corr()` 函数计算两个序列之间的相关性。以下是一个简单的示例代码，演示了如何在 Pandas 中计算传递熵：

import pandas as pd
import numpy as np

# 生成示例数据
data = pd.DataFrame({
    'X': np.random.rand(100),
    'Y': np.random.rand(100)
})

# 计算 X 到 Y 的传递熵
tau = 1  # 延迟时间
k = 1    # 最大阶数
te_xy = np.zeros(k)
for i in range(k):
    X = data['X'].shift(i)
    Y = data['Y']
    te_xy[i] = (-1) * np.mean(np.log2(np.abs(Y[X.notnull()].values - Y[X.notnull() - tau].values)))
    
print("传递熵（X->Y）：", te_xy)

在这个示例中，我们使用了一个简单的延迟时间和最大阶数，但是你可以根据你的数据调整这些参数。请注意，传递熵计算中使用了对数函数，因此需要确保数据中不包含零值。

相关问题

优化这段代码import pandas as pd import numpy as np import matplotlib.pyplot as plt #计算信息熵的函数 def calc_ent(x): """ calculate shanno ent of x """ #x.shape[0]计算数组x的元素长度，x长度为x.shape[0]=6 #set() 函数创建一个无序不重复元素集 x_value_list = set([x[i] for i in range(x.shape[0])]) #得到数组x的元素（不包含重复元素），即x_value_list={'c', 'b', 'a'} ent = 0.0 for x_value in x_value_list: p = float(x[x == x_value].shape[0]) / x.shape[0]#计算每个元素出现的概率 logp = np.log2(p) ent -= p * logp print(ent) # 读取Excel文件 df= pd.read_excel("C:\\Users\\a'b'c\\Desktop\\毕设\\图纸数据5.0.xlsx") # 获取Excel文件的列数 num_cols = df.shape[1] weights=[] # 将每一列转换为array形式 for i in range(num_cols): # 获取列名 col_name = df.columns[i] # 将列转换为array形式 col_array = np.array(df[col_name]) #输出每一列的信息熵的值 ent = calc_ent(col_array) #print(col_name, ent) x = i y =ent plt.figure() plt.plot(x, y, linestyle='--', color='blue') plt.xlabel('序号') plt.ylabel('信息熵') plt.show()想要把x轴为序号i，Y轴依次是每个i对应的ent值

你可以将每个i对应的ent值存储到一个数组中，然后将数组作为参数传递给plt.plot()函数，这样就可以在同一个图表中显示所有的信息熵值了。修改后的代码如下：

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

#计算信息熵的函数 
def calc_ent(x):     
    """         
    calculate shanno ent of x     
    """     
    #x.shape[0]计算数组x的元素长度，x长度为x.shape[0]=6     
    #set() 函数创建一个无序不重复元素集     
    x_value_list = set([x[i] for i in range(x.shape[0])])     
    #得到数组x的元素（不包含重复元素），即x_value_list={'c', 'b', 'a'}     
    ent = 0.0     
    for x_value in x_value_list:         
        p = float(x[x == x_value].shape[0]) / x.shape[0]#计算每个元素出现的概率         
        logp = np.log2(p)         
        ent -= p * logp     
    return ent

# 读取Excel文件 
df= pd.read_excel("C:\\Users\\a'b'c\\Desktop\\毕设\\图纸数据5.0.xlsx")      

# 获取Excel文件的列数 
num_cols = df.shape[1] 
ent_list = []   # 存储每一列的信息熵值
for i in range(num_cols):     
    # 获取列名     
    col_name = df.columns[i]     
    # 将列转换为array形式     
    col_array = np.array(df[col_name])     
    #输出每一列的信息熵的值     
    ent = calc_ent(col_array)     
    ent_list.append(ent)

# 绘制信息熵的折线图
plt.plot(ent_list, linestyle='--', color='blue')     
plt.xlabel('序号')     
plt.ylabel('信息熵')     
plt.show()

这段代码将每一列的信息熵值存储在ent_list数组中，然后将ent_list作为参数传递给plt.plot()函数，绘制出信息熵的折线图。