我有一个数据集，其中包含一个月内单人住宅中出现的水壶。在这个数据集中，“ts”列表示打开水壶的 unix-timestamp（可以转换为日期和时间）；“第二”列表示水壶打开的持续时间（以秒为单位）。

我的要求 - 在数据中找到例程，评估它们的周期性和可变性。例如，一个例程可以是“早餐”，它的周期性可能是每天的某个时间，可变性可能是例程内发生的时间窗口。

我已经尝试过但我有点不确定 - 我绘制了原始信号与不同滞后量的自相关，发现与其任何滞后版本都没有显着相关性。但是在查看这个信号的图时，我看到每天早上都有峰值。此外，我尝试了去噪（使用 KNN 去噪）版本和欠采样版本（仅保留每月每一天的第一个和最后一个样本）的自相关，发现去噪信号也与其滞后不相关版本，但采样不足的信号是。

我首先不确定如何找到这样的信号的周期性，以及自相关图是否能让我们对周期性做出任何结论。

from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf

# Compute the acf array 
acf_array = acf(q4['seconds'])
print(acf_array)

# Plot the acf function
plot_acf(q4['seconds'],alpha=0.05)
plt.show()

更多显示我所读内容的代码可以在 -这个链接上找到。