ObsPy和scipy去趨勢的API介紹
在之前學習筆記探討過時間序列資料集可能會隱含趨勢，所謂的趨勢就是序列資料隨著時間持續增加或減少的現象。 通常在進行時間序列預測或辨識、建模之前去趨勢會對評估更有幫助。 obspy.core.trace.Trace.detrend https://docs.obspy.org/packages/autogen/obspy.core.trace.Trace.detrend.html#obspy.core.trace.Trace.detrend 在深入了解趨勢的課題之前，先回顧「線性迴歸」與「多項式迴歸」。 線性迴歸(Linear Regression) 適用於簡單線性資料集的擬合直線。如果資料點的散佈形狀近似直線，則資料為線性。 線性趨勢線通常會呈現以固定趨近等比的穩定變化間隔增減。 多項式迴歸(Polynomial regression) 是線性迴歸的延伸，其將依變數與自變數之間的關係建模為 n 次多項式。多項式趨勢線是一種曲線，適合擺動不定的資料使用，多項式的冪次可由資料波動的次數或曲線彎曲點 (波峰和波谷) 的個數決定。 因此二階多項式趨勢線通常僅有一個波峰或波谷。三階多項式趨勢線通常有一個或兩個波峰或波谷。 Scipy提供detrend方法 在Scipy提供detrend方法，預設若無指定type會採用linear線性最小平方法擬合方式或也可以指定constant然後用mean來做去趨勢。 Remove linear or constant trend along axis from data. https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.detrend.html#scipy.signal.detrend obspy.signal.detrend 封裝了預設有三種detrend方法 定義在兩個模組中 第一個模組 obspy.signal.detrend https://docs.obspy.org/packages/autogen/obspy.signal.detrend.html 1.obspy.signal.detrend.simple https://docs.obspy.org/packages/autogen/obspy.signal.detrend.s...