我正在尝试使用python计算时间序列网格的ACF。 statsmodels.acf仅接受一维时间序列，因此例如使用xr.apply_ufunc并不是可行的解决方案。 （请注意，我在这里使用xarray作为首选包，因为我处理的是大型的多维标签数据集）
我认为从头开始编写ACF并将其矢量化将是最简单的。将statsmodels.acf缩小为我需要去的骨架：
from numpy import correlate as npc
from scipy.signal import correlate as spc
def acf(x, nlags=40):
"""
ds : xarray DataArray with gridded time series
e.g., dims ('time', 'lat', 'lon')
nlags : number of lags to compute ACF out to
"""
avf = acovf(x)
acf = avf[:nlags + 1] / avf[0]
return acf
def acovf(x):
xo = x - x.mean('time')
n = x['time'].size
lag_len = n - 1
d = n * np.ones(2 * n - 1)
acov = npc(xo, xo, 'full')[n - 1:] / d[n - 1:]
return acov
当前在npc行处中断。 np.correlate以及scipy.signal.correlate的中断大于一维时间序列，或者给出了不希望的答案。
最直接的方法：如何在网格上向量化多个时间序列的离散线性互相关？
使用示例：
x = xr.DataArray(np.random.rand(10,2,3), dims=['time', 'lat', 'lon'])
如果我运行npc(x, x, 'full')，则会收到错误消息：
ValueError: object too deep for desired array
如果运行spc(x, x)，我将得到一个（19，3，5）数组，其中不包含准确的输出。我的输出应为（N * 2-1，lat，lon），其中N是时间采样数。
这个问题似乎是矢量化ACF的瓶颈-如果我可以使互相关工作，那么acf和acovf函数的其余部分应该简单地进行矢量化。 / p>