python - 如何在 Python 中计算信号的日间稳定性？

Question

我正在尝试将每日稳定性计算为 Python 中机器学习分类的一项功能。我的数据是多天的 - 我正在使用这个数据集（示例 CSV）。该数据以分钟的频率进行采样，即我们每小时进行 60 次测量。公式为：

所以我的做法是：

def interdaily_stability(df: pd.DataFrame) -> float:
    X_mean = df["activity"].mean()

    hourly_means = df.resample("H", on="timestamp").mean()["activity"].values
    p = len(hourly_means)

    numerator = (1/p) * np.sum(np.square((hourly_means - X_mean)))
    denominator = df["activity"].var()

    return numerator / denominator

1. 这个公式对吗？特别是p对吗？
2. 特别是，我是否在计算这个权利好几天？如果没有，我该如何纠正？

我知道pyActigraphy存在，但是对于我的情况，那里的实现似乎不正确，例如，数据首先用 重新采样.resample("1H").sum()，然后按小时、分钟和秒分组（我什至没有这样的分辨率）。

我还尝试nparACT在 R 中翻译库中的代码，但我对 R 的了解不够：nparACT implementation。

标签： pythonpandasdataframetime-seriessignal-processing