fastdtw计算两个股票序列之间的相似性（最小距离）

fastdtw计算两个股票序列之间的相似性（最小距离）

1.动态时间扭曲 (DTW)

Dynamic time warping：动态时间扭曲 (DTW) 是一种在两个时间序列之间找到最佳对齐的技术，其中一个时间序列可以通过拉伸或收缩其时间轴来非线性地“扭曲”。 这种比对可用于找到对应的区域或确定两个时间序列之间的相似性。
DTW 经常用于语音识别，以确定两个波形是否代表相同的口语短语。 在语音波形中，每个语音的持续时间和声音之间的间隔是允许变化的，但整体语音波形必须相似。
既然是时间序列的数据对比，分析相似度，那么当然也可以用于分析两个股票走势的相似度。

2. 随机序列验证测试

用随机数测试：

import numpy as np
import fastdtw

# 定义两个时间序列
series1 = np.random.rand(20)  # 使用 rand 生成 [0, 1) 内的随机数  
series2 = np.random.rand(20)  # 同样生成 [0, 1) 内的随机数  

# 使用fastdtw计算这两个序列之间的最小距离
distance, path = fastdtw.fastdtw(series1, series2)
 
print('FastDTW distance:', distance)

FastDTW distance: 4.126319461445138

数据范围，变化不大，距离很小，相似度高。

3.时间序列验证测试

通过两个曲线验证一下距离，理解fastdtw函数：

# 数据标准化函数
def standardize_data(df):
    return (df - df.mean()) / df.std()

def show_plot(amplitude_a,amplitude_b):
    # 使用fastdtw计算这两个序列之间的最小距离
    distance, path = fastdtw.fastdtw(standardize_data(amplitude_a), standardize_data(amplitude_b))
     
    print('FastDTW distance:', distance)
    
    # 计算相似度
    distance = m._dtw_distance(standardize_data(amplitude_a), standardize_data(amplitude_b))
    print('FastDTW distance:', distance)
    
    
    # 创建一个大图，包含两个子图  
    fig, axs = plt.subplots(2, 1, figsize=(12, 8))  
      
    # 第一个子图：展示标准化后的数据  
    axs[0].plot(time, standardize_data(amplitude_a), label='amplitude_a_stand')  
    axs[0].plot<