Python用于时间序列数据的上升趋势模式识别

Question

我有一个时间序列数据集，我喜欢在历史中捕捉向上趋势模式（通常爬升趋势为30-90天）。 我试图使用滚动窗口，但是我必须放弃NaN以获得线性回归工作，这会使x轴混乱，从而使回归系数变得混乱。

我的问题是：

1. 识别时间序列向上模式的最佳方法是什么 数据？
2. 如果我的方法（滚动窗口线性回归）是正确的方向，我该如何解决NaN问题，这可能导致线性拟合的空返回或弄乱x轴的比例？
3. 如果我想选择多个窗口，而不是滚动窗口来应用线性回归，我该如何处理？

感谢您的帮助！

数据框示例

import pandas as pd
import scipy.stats
import numpy as np

dict_ = {'COMPLETIONDATE': ['2017-10-05 11:05:08',
  '2017-10-06 14:18:25',
  '2017-10-05 10:52:20',
  '2017-10-05 11:13:18',
  '2017-10-03 15:18:08',
  '2017-10-06 11:19:38',
  '2017-10-03 15:36:34',
  '2017-10-06 11:32:08',
  '2017-10-05 11:15:38',
  '2017-10-06 11:20:37'],
 'LOGFIELD16': [45.44571,
  46.31465,
  47.66407,
  38.89286,
  45.37415,
  38.44305,
  45.74217,
  40.59497,
  39.72602,
  46.18687]}

df_ = pd.DataFrame(dict_)

    COMPLETIONDATE  LOGFIELD16
0   2017-10-05 11:05:08 45.44571
1   2017-10-06 14:18:25 46.31465
2   2017-10-05 10:52:20 47.66407
3   2017-10-05 11:13:18 38.89286
4   2017-10-03 15:18:08 45.37415
5   2017-10-06 11:19:38 38.44305
6   2017-10-03 15:36:34 45.74217
7   2017-10-06 11:32:08 40.59497
8   2017-10-05 11:15:38 39.72602
9   2017-10-06 11:20:37 46.18687

时间序列图

我目前的方法是滚动窗口线性回归，然后检测高于阈值的斜率。但挑战是如何在所选择的数据窗口中拟合线性回归，在该窗口的某些天可能缺少数据。

# function to calculate the slope
def roll_reg(df):
    df_size = df.shape[0]
    linregress = scipy.stats.linregress(df, np.array(range(df_size)))
    return linregress[0]

df_.index = pd.to_datetime(df_.COMPLETIONDATE)
df_.sort_index(inplace=True)    

df_[['LOGFIELD16']].resample("1D").mean().dropna().rolling(30).apply(roll_reg).plot(style='o')

滚动回归斜率图。但是，如果你仔细观察，斜坡高原的值大约为2，这不应该是预期的。