首先，以比最短假设周期更短的时间增量定期将您的数据数字化。例如，在送奶工的情况下，您可以创建一个表，其中每天有一条记录，如果该人来，则值为 1，如果不来，则值为 0。该表看起来像一个常规时间序列：

day, presence
  1, 1 
  2, 0
  3, 1
  4, 0

然后对您的时间序列执行自相关分析。这是信号处理中经常使用的数学工具，正如@MichelGrogan 在他的评论中所建议的那样，计算原始系列和延迟不同时间增量（1 天、2 天、... ）。结果可以绘制为滞后值函数的相关值，称为自相关谱。阅读自相关了解更多详情。

频谱的最大值将为您提供在数据中观察到的最重要频率的值，并确认该模式存在。如果您没有看到明确的最大值，则可以断定您的数据中没有模式。

这是来自您的数据的 Python 示例：

import numpy as np
import matplotlib.pyplot as plt

day =['mon','tue','wed','thi','fri','sat','sun', 'mon','tue','wed','thi','fri','sat','sun', 'mon','tue','wed','thi','fri','sat','sun' ]
num =[    1,    2,    3,    4,    5,    6,    7,     8,    9,   10,   11,   12,   13,   14,    15,   16,   17,  18,    19,   20,   21]
pres=[    1.,    0.,   1.,   0.,   1.,   0.,  0.,    1.,   0.,   1.,   0.,    1.,  0.,    0.,   1.,    0.,  0.,    1.,   1.,    0.,   0.]

corr=np.correlate(pres,pres,'full')
lag=[i-(len(corr)/2) for i in range(len(corr))] 
plt.plot(lag,corr/np.max(corr))

和频谱图：

正如你所看到的，在 2 天和 7 天的滞后中有明显的最大值。

似乎您正试图确定此时间序列中是否存在季节性，即定期重复的过程。

在这方面，分解您的时间序列并检查是否存在季节性趋势可能是一个好主意。

例如，R 中的这张图表显示了不同季节天气的清晰季节性模式：

通过分解该系列，这可能会提供视觉线索，说明在特定时间个人访问之间是否存在季节性。