pymannkendall 1.2

Pymannkendall

什么是mann-kendall检验？

mann-kendall趋势检验（有时称为mk检验）用于分析时间序列数据的一致性增加或减少趋势（单调趋势）。这是一个非参数检验，这意味着它适用于所有分布（即数据不必满足正态性假设），但数据应该没有序列相关性。如果数据具有序列相关性，则可能在显著水平上影响（p值）。这可能会导致误解。为了克服这一问题，研究者提出了几种修正的mann-kendall检验（hamed和rao修正的mk检验、yue和wang修正的mk检验、预白化法修正的mk检验等）。季节性mann-kendall检验也被用来消除季节性的影响。

mann-kendall检验是一种强大的趋势检验，因此针对空间条件，发展了多元mk检验、区域mk检验、相关mk检验、部分mk检验等修正的mann-kendall检验。pymannkendal是非参数mann-kendall趋势分析的纯python实现，它集合了几乎所有类型的mann-kendall测试。目前，该软件包有11个mann-kendall检验和2个sen斜率估计函数。功能简介如下：

1. 原始mann-kendall检验（原始_检验）：原始mann-kendall检验是非参数检验，不考虑序列相关性或季节性影响。

2. hamed和rao修正的mk检验（hamed和rao修正的mk检验）：这个修正的mk检验由hamed和rao（1998）提出的解决序列自相关问题的方法。他们建议采用方差校正方法来改进趋势分析。用户可以通过在该函数中插入滞后数来考虑前n个显著滞后。默认情况下，它会考虑所有重要的延迟。

3. Yue和Wang修正的MK检验（Yue-Wang_修正的检验）：这也是Yue，S.，&Wang，C.Y.（2004）提出的考虑序列自相关的方差修正方法。用户还可以为计算设置所需的有效n滞后。

4. 使用预白化方法的修正mk检验（预白化方法的修正）：Yue和Wang（2002）建议在应用趋势检验之前使用预白化时间序列的检验。

5. 使用无趋势预白化方法的修正mk试验（无趋势预白化试验）：Yue和Wang（2002）也提出了在应用趋势试验之前去除趋势成分，然后对时间序列进行预白化的试验。

6. 多变量mk检验（多变量检验）：这是hirsch（1982）提出的多参数mk检验。他用这种方法进行季节性mk检验，把每个月作为一个参数。

7. 季节性MK检验（季节性检验）：对于季节性时间序列数据，Hirsch，R.M.，Slack，J.R.和Smith，R.A.（1982）提出了这个检验来计算季节性趋势。

8. 区域mk检验（regional mk test）：基于Hirsch（1982）提出的季节性mk检验，Helsel，D.R.和Frans，L.M.，（2006）建议采用区域mk检验来计算区域尺度的总体趋势。

9. 相关多变量mk检验（相关多变量检验）：hipel（1994）提出的参数相关的多变量mk检验。

10. 相关季节性MK检验（相关季节性检验）：当时间序列与前一个或多个月/季节显著相关时，使用Hipel（1994）提出的方法。

11. 部分mk检验（部分_检验）：在实际事件中，许多因素都会影响研究的主要响应参数，从而使趋势结果产生偏差。为了克服这个问题，libiseller（2002）提出了部分mk检验。它需要两个参数作为输入，一个是响应参数，另一个是独立参数。

12. 泰尔-森斜率估计器（sen s-slope）：泰尔（1950）和森（1968）提出的估计单调趋势幅度的方法。

13. 季节sen斜率估计量（季节sen斜率）：hipel（1994）提出的当数据具有季节性影响时估计单调趋势大小的方法。

功能详细信息：

所有mann-kendall检验函数的输入参数几乎相同。这些是：

• x：向量（列表、numpy数组或pandas系列）数据
• α：显著性水平（默认为0.05）
• 滞后：第一个有效滞后数（仅在hamed_rao_modification_test和yue_wang_modification_test中可用）
• 周期：季节性周期。月数据为12，周数据为52（仅在季节性测试中可用）

所有mann-kendall测试都返回一个命名元组，其中包含：

• 趋势：显示趋势（增加、减少或无趋势）
• h：真（如果趋势存在）或假（如果趋势不存在）
• p：显著性检验的p值
• z：标准化测试统计
• 陶：肯德尔陶
• s：Mann Kendal的分数
• 方差s：方差s
• 斜率：sen的斜率

sen的斜率函数需要数据向量。季节性sen的斜率也有可选的输入周期，默认值为12。两个sen的slope函数都只返回slope值。

依赖关系

要安装pymannkendall，需要以下软件包：

• numpy
• scipy

安装

您可以使用pip安装pymannkendall。对于Linux用户

sudopipinstallpymannkendall

或者，对于Windows用户

pipinstallpymannkendall

或者您可以克隆repo并安装它：

git clone https://github.com/mmhs013/pymannkendall
cd pymannkendall
python setup.py install

测试

pymannkendall在每次提交时使用pytest包自动测试，但测试可以手动运行：

pytest -v

用法

下面给出一个使用pymannkendall的快速示例。这里提供了更多的示例

importnumpyasnpimportpymannkendallasmk# Data generation for analysisdata=np.random.rand(360,1)result=mk.original_test(data)print(result)

输出如下：

Mann_Kendall_Test(trend='no trend',h=False,p=0.9535148145990886,z=0.05829353811789905,Tau=0.002073661405137728,s=134.0,var_s=5205500.0,slope=8.408683160625719e-06)

然而，输出是一个命名元组，因此您可以按名称调用特定的结果：

print(result.slope)

或者，您可以直接这样解压缩结果：

trend,h,p,z,Tau,s,var_s,slope=mk.original_test(data)

引文

如果您发布的结果是您使用的Pymannkendall，请引用Hussain等人（2019年）：

@article{Hussain2019pyMannKendall,
	journal = {Journal of Open Source Software},
	doi = {10.21105/joss.01556},
	issn = {2475-9066},
	number = {39},
	publisher = {The Open Journal},
	title = {pyMannKendall: a python package for non parametric Mann Kendall family of trend tests.},
	url = {http://dx.doi.org/10.21105/joss.01556},
	volume = {4},
	author = {Hussain, Md. and Mahmud, Ishtiak},
	pages = {1556},
	date = {2019-07-25},
	year = {2019},
	month = {7},
	day = {25},
}