问题描述
我有一些时间序列数据（在Pandas数据框中）， d（t）：
time 1 2 3 4 ... 99 100
d(t) 5 3 17 6 ... 23 78
我想获取数据的时移版本，例如 d（t-1）：
time 1 2 3 4 ... 99 100
d(t) 5 3 17 6 ... 23 78
d(t-1) NaN 5 3 17 6 ... 23
但是很复杂。除了简单地对数据进行时移外，我还需要基于泊松分布的移位获取期望值。因此，我需要E（ d（tj））代替 d（ti），其中 j 〜Poisson（ i ）。
在Python中有有效的方法吗？
理想情况下，我可以使用 i 作为参数动态生成结果（可以在优化中使用）。
numpy的Poisson函数似乎与从Poisson生成绘图有关，而不是提供可用于计算期望值的PMF。如果可以生成PMF，则可以执行以下操作：
for idx in len(d(t)):
Ed(t-i) = np.multiply(d(t)[:idx:-1],PMF(Poisson,i)).sum()
但是我不知道该使用什么实际功能，或者是否有比遍历索引更简单的方法。这种方法也不会轻易让我通过 i 进行优化。
解决方法
您可以使用scipy.stats.poisson来获取PMF。
这是一个示例：
from scipy.stats import poisson
mu = 10
# Declare 'rv' to be a poisson random variable with λ=mu
rv = poisson(mu)
# poisson.pmf(k) = (e⁻ᵐᵘ * muᵏ) / k!
print(rv.pmf(4))
有关scipy.stats.poisson的更多信息，请选中此doc。