如何简化statsmodels中生成正确滞后阶数互相关图的代码

基础示例代码 #

import pandas as pd
import numpy as np
import statsmodels.tsa.stattools as smt
import matplotlib.pyplot as plt

np.random.seed(123)
test = pd.DataFrame(np.random.randint(0,25,size=(79, 2)), columns=list('AB'))

代码可大幅简化，简化后版本如下： #

# 计算正反向CCF值，和原有逻辑一致
backwards = smt.ccf(test['A'][::-1], test['B'][::-1], adjusted=False)[::-1]
forwards = smt.ccf(test['A'], test['B'], adjusted=False)

# 直接拼接CCF值，生成对应滞后阶数序列
full_ccf = np.concatenate([backwards, forwards[1:]])
lags = np.arange(-len(backwards)+1, len(forwards))

# 一步生成目标DataFrame
full = pd.DataFrame({'lag': lags, 'value': full_ccf})

# 绘图逻辑不变
full.set_index('lag').value.plot()

简化逻辑说明 #

• 省去了创建两个临时DataFrame再合并的冗余操作，直接用np.concatenate拼接正反向CCF计算结果
• 用np.arange直接生成从负向最大到正向最大的连续滞后阶数，无需手动生成负向lag、再排序的步骤
• 代码逻辑完全匹配「拼接两个列表得到完整互相关序列」的核心概念，代码量减少近一半，可读性更高

内容的提问来源于stack exchange，提问作者ℕʘʘḆḽḘ