EventSeries

EventSeries[{{t1,v1},{t2,v2}…}]

表示一个事件序列，以时间-值对 {ti,vi} 的形式给出.

EventSeries[{v1,v2,…},tspec]

表示一个事件序列，其中值 vi 发生于由 tspec 指定的时刻.

更多信息和选项

  • EventSeries 表示时间-值对 {ti,vi} 的序列.
  • 值 vi 可以是标量或任意维度的数组，但都必须是相等的维数.
  • 可以给出下列时间 tspec：
  • Automatic使用从 0 开始且间隔均匀的时间
    {tmin}使用从 tmin 开始且间隔均匀的时间
    {tmin,tmax}使用从 tmin 到 tmax 且间隔均匀的时间
    {tmin,tmax,dt}使用从 tmin 到 tmax 步长为 dt 的时间
    {{t1,t2,…}}使用显式时间 {t1,t2,…}
  • ti 可以是对 AbsoluteTime 有效的任何输入.
  • 值 tmin、tmax 和 dt 可以是数值、日期或 Automatic.
  • 指定 es[t] 给出在时刻 t 的事件值.
  • EventSeries 是 TemporalData 的一个特殊情形，仅允许单一路径，但不允许插值.
  • 具有相同维数的 EventSeries 对象 {es1,es2,…} 可以使用 TemporalData[{es1,es2,…}] 合并到 TemporalData 对象中.
  • EventSeries 对象 es 的属性可以从 es["property"] 获得.
  • 可用属性的列表可以使用 es["Properties"] 获得.
  • 事件序列的一些属性包括：
  • "Path"时间-值对 {{t1,v1},…}
    "PathComponents"将多变量路径拆分为单变量分量
    "PathFunction"插值路径函数
    "PathLength"路径的长度
    "Values"值 {v1,…}
    "ValueDimensions"vi 的维数
    "Times"时间 {t1,…}
    "Dates"时间 {t1,…} 作为日期
    "DatePath"日期数值对 {{date1,v1},…}
    "FirstTime"第一个时间 t1
    "FirstDate"以日期表示的第一个时间 t1
    "LastTime"最后的时间
    "LastDate"以日期表示的最后的时间
    "FirstValue"第一个时间上的数值 v1
    "LastValue"最后时间的数值
  • 指定 es["PathComponent",p] 为 p 指定的值的向量分量给出 EventSeries.
  • 如果日期通过输入给出，es["Times"] 在 AbsoluteTime 中将其返回.
  • Normal[es] 等价于 es["Path"].
  • EventSeries 采用下列选项：
  • CalendarType "Gregorian"使用的日历类型
    HolidayCalendar {"UnitedStates","Default"}使用的节假日日历
    TimeZone $TimeZone使用的时区
    MetaInformation None包括额外的元数据信息
    MissingDataMethod None用于缺失值的方法
    TemporalRegularity Automatic是否假定数据是正规的
    DateFunction Automatic如何将日期转化为标准格式
    ValueDimensions Automatic数值的维度
  • 设置 MissingDataMethod->Automatic 将用左侧的值自动对标头为 Missing 的值进行插值. 默认情况下，将标头为 Missing 的值视为缺失.
  • 设置 ValueDimensions->dim 指定值 vij 的维度为 dim. 设置 ValueDimensions->Automatic 尝试从数据中自动确定值的维度.

范例

打开所有单元关闭所有单元

基本范例  (1)

将时间信息附加到一些事件：

可视化路径：

范围  (31)

基本用法  (9)

可视化事件序列：

使用 TimeSeriesWindow 提取事件序列的一部分：

使用 TimeSeriesInsert 插入缺失值：

使用 TimeSeriesRescale 将事件序列的尺度重新调整为 0 到 20 之间：

使用 TimeSeriesShift 将序列向前移动 2：

对事件序列数值求平方：

使用 TimeSeriesMap 求向量值事件序列分量的和：

求事件序列中值的 Mean：

计算 MovingAverage：

平移最大值：

使用 TimeSeriesAggregate 计算一个事件序列的宽度为5的总值：

使用 TimeSeriesModelFit 对一个事件系列拟合参数模型：

预测事件序列中接下来的 10 个值：

绘制事件序列和预测的图形：

计算两个事件序列的差值：

使用 TimeSeriesThread 计算最大事件序列：

创建事件序列  (15)

给出具有 Automatic 时间标记的值列表：

创建一个事件序列，从 开始：

使用日期作为开始时间：

日期可以用 AbsoluteTime 的任意有效输入给出：

使用从 10 到 50 的相等时间间隔：

给出要用的一个日期范围：

指定 Automatic 的端点：

创建一个序列，时间从 1 到 20，步长为 2：

使用 Automatic 端点和固定步长：

提取算出的最后一个日期：

用 Automatic 作为起始点，并给出频率：

提取算出的第一个时间：

明确指定使用的时间：

给出日期的显式列表：

给出时间-值对：

从日期-值对创建一个事件序列：

从涉及数量的数据创建事件序列：

某些 ExampleData 有定义的 EventSeries：

提取属性和值  (4)

获取可用属性的列表：

用于事件序列的值：

时间：

时间-值对：

绘制事件序列的图形：

提取向量值集合的分量：

第一个分量：

获取第二个分量：

绘制路径分量：

在一组给定的时间上对数据再采样：

以 2 为步长，对原始路径进行二次采样：

新的数据从路径函数采样：

包括量的事件序列：

值以 QuantityArray 形式给出：

提取量单位信息：

提取量幅度：

事件序列算法  (3)

数值可列表函数自动线性作用于事件序列的数值上：

与 TimeSeriesMap 的结果比较：

合并具有相同时间戳的某些事件序列线性作用于数值：

根据包含量的已存在的时间系列创建一个新的量幅度事件系列：

创建量单位的新的时间序列：

选项  (11)

CalendarType  (1)

使用 CalendarType 将时间戳指定为特定日历内的日期：

默认情况下，使用 "Gregorian" 日历：

DateFunction  (2)

用 DateList 定义解释模糊日期字符串的函数：

用 DateObject 定义解释模糊日期字符串的函数：

指定输入的 TimeZone：

HolidayCalendar  (1)

使用 HolidayCalendar 可视化给定国家中的工作日：

MetaInformation  (3)

以规则列表的形式包括额外的元数据：

现在，属性包括元数据 "Stock"：

新增的元数据可以像其他任何性质一样使用：

使用 MetaInformation 指定 PlotLegends:

查看可用的 MetaInformation:

直接访问特定信息：

可视化数据：

使用 MetaInformation 命名矢量值 EventSeries 中的分量：

提取第二分量：

使用名字或数提取第一和第三分量：

MissingDataMethod  (1)

默认情况下，头部为 Missing 的数值解释为缺失：

使用 MissingDataMethod 将缺失值用常数替换：

使用插值替换缺失值：

TemporalRegularity  (1)

显式假定数据规则间隔：

TimeZone  (1)

指定 EventSeries 的时区：

时间戳是在 $TimeZone 中创建的，但日期显示在选项指定的时区中：

ValueDimensions  (1)

指定数值维度：

应用  (6)

意外死亡  (1)

连续六年每个月的美国意外死亡人数：

对数据拟合 ARProcess：

模型忽视了数据中的季节性：

诊断图线表明需要季节性为12的模型：

季节性模型似乎普遍比非季节性模型表现好：

获得限制到未来两个月的 90% 预测值的经验值估计：

与渐进估计比较：

健身  (2)

4 月 1 日和 9 月 1 日之间一个人采用的步骤数目的事件序列：

计算步骤的平均数和中位数：

第二个事件序列表示每天的高活动分钟数：

绘制40天内的时间序列和平移平均：

比较伊利诺伊州香槟，地理参考点的每日步骤总数：

累积事件序列并转换为距离单位：

最大距离：

计算最大距离内与几个城市的距离：

事件序列的数量值以 QuantityArray 形式给出，且需要 Normal：

绘制累加的步骤数目，其中距离用城市标记：

滤波  (1)

使用 MeanFilter 对事件序列进行滤波：

地震  (1)

震级至少为 6 的地震的震级：

显示震级的分布：

求给定时间段内 7 级以上地震的条件概率：

值得注意的日期  (1)

美国总统生日的事件序列：

绘制日期：

使用 AssociationThread 绘制带名称的日期：

一年中的生日分布：

查找同样的生日：

属性和关系  (3)

EventSeries 没有对时间戳之间的数值进行插值：

使用 TimeSeries 表示连续时间：

两者在时间戳上一致：

但是，TimeSeries 在时间戳之间的数值进行插值处理：

可以从一个转化为另一个：

EventSeries 只包含单条路径：

事件序列只有一条路径：

对每一行数据创建单个 EventSeries：

与数据的第一行比较：

使用 TemporalData 包含多条路径：

某点的 EventSeries 返回一个数值或者 Missing[]：

在某时间戳和时间戳之间计算：

使用 TemporalData 存储多条路径，并且获取某个点的数值的分布：

在某时间戳和时间戳之间计算：

可能存在的问题  (1)

多维数据可能与时间数值对混淆：

指定 ValueDimensions 来将数据视为向量值处理：

巧妙范例  (1)

创建一月份的阴历：

Wolfram Research (2014)，EventSeries，Wolfram 语言函数，https://reference.wolfram.com/language/ref/EventSeries.html （更新于 2015 年）.

文本

Wolfram Research (2014)，EventSeries，Wolfram 语言函数，https://reference.wolfram.com/language/ref/EventSeries.html （更新于 2015 年）.

CMS

Wolfram 语言. 2014. "EventSeries." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2015. https://reference.wolfram.com/language/ref/EventSeries.html.

APA

Wolfram 语言. (2014). EventSeries. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/EventSeries.html 年

BibTeX

@misc{reference.wolfram_2024_eventseries, author="Wolfram Research", title="{EventSeries}", year="2015", howpublished="\url{https://reference.wolfram.com/language/ref/EventSeries.html}", note=[Accessed: 21-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_eventseries, organization={Wolfram Research}, title={EventSeries}, year={2015}, url={https://reference.wolfram.com/language/ref/EventSeries.html}, note=[Accessed: 21-November-2024 ]}