如何计算不同长度且带时移的两个时间序列的时移量？

核心解决思路 #

针对你遇到的不等长序列偏移计算问题，以及scipy.signal.correlate返回NaN的情况，可按以下步骤处理：

1. 先解决NaN问题 #

你得到NaN结果的大概率原因是数据中存在缺失值，或者序列采样频率不匹配：

• 用numpy.isnan()排查speed_A和speed_B中的NaN值，通过线性插值（numpy.interp）或删除缺失时间点完成数据清理；
• 确保两个序列的采样频率一致，不一致时先通过重采样对齐到相同时间间隔。

2. 最优互相关计算方案（针对不等长序列） #

因为speed_B更短，采用mode='valid'参数计算互相关，只保留两个序列完全重叠的区域结果，避免无效计算：

import numpy as np
from scipy.signal import correlate

# 清理后的数据
clean_A = speed_A[~np.isnan(speed_A)]
clean_B = speed_B[~np.isnan(speed_B)]

# 仅计算完全重叠区域的互相关
corr_result = correlate(clean_A, clean_B, mode='valid')
# 最大相关值对应的索引就是偏移量（speed_B需右移该索引数的采样点对齐speed_A）
offset = np.argmax(corr_result)

3. 鲁棒性升级：归一化互相关 #

如果两个序列的幅值差异较大，用归一化互相关消除幅值对相关性的影响：

from scipy.signal import correlate

def normalized_cross_corr(x, y):
    # 标准化处理
    x_norm = (x - np.mean(x)) / (np.std(x) * len(x))
    y_norm = (y - np.mean(y)) / np.std(y)
    return correlate(x_norm, y_norm, mode='valid')

norm_corr = normalized_cross_corr(clean_A, clean_B)
offset_norm = np.argmax(norm_corr)

4. 带时间戳序列的备选方案 #

如果序列有明确时间标签，可通过滑动时间窗口匹配计算偏移：

import pandas as pd

# 假设df_A、df_B是带DatetimeIndex的DataFrame，列名为'speed'
max_corr = -1
best_time_offset = pd.Timedelta(0)

# 根据业务场景设定偏移范围，这里示例为±1小时，步长10分钟
for offset in pd.date_range(start='-1h', end='1h', freq='10min'):
    shifted_B = df_B['speed'].shift(freq=offset)
    merged_data = pd.merge(df_A, shifted_B, left_index=True, right_index=True, how='inner')
    # 过滤重叠度过低的情况
    if len(merged_data) < len(df_B) * 0.5:
        continue
    current_corr = merged_data.corr().iloc[0, 1]
    if current_corr > max_corr:
        max_corr = current_corr
        best_time_offset = offset

关键注意事项 #

• 必须先清理NaN值，否则任何相关计算都会返回无效结果；
• 采样频率一致是互相关计算有效的前提；
• 若序列存在趋势或周期性，先去趋势（如减去滑动均值）再计算互相关，避免趋势主导相关性。

内容的提问来源于stack exchange，提问作者Max86