hooozen/pattern_causality

论文 "Unveiling causal interactions in complex systems" 中 Pattern Casuality 算法的 Python 实现

pattern_causality

本代码使用 Python 重构了“模式因果” skstavroglou/pattern_causality 的 R 语言算法，并修复了一些错误。论文：https://doi.org/10.1073/pnas.1918269117。

说明

由于论文作者的代码经过丑化难以阅读，且有在一些情况下会报错。所以本文只是对源代码的重构，不涉及任何算法上的修改。

所以此仓库的算法没有任何的改动和个人理解，此仓库不讨论该算法的正确性和有效性

有关我对该算法的理解和看法，请移步模式因果（Pattern Casuality）真的有用吗？

使用方法

参照 test.py 中的例子。

1. 使用 pc.py 中的 PC 类构建 pc 实例，参数如下

   pc = PC(X, Y, E=2, tau=1, p=2, h=0)

   X: 原因时间序列

   Y: 结果时间序列

   E: 嵌入维度

   tau: 滞后期

   p: $L_p$ 距离，1 为曼哈顿距离，2 为欧几里得距离

   h: 预测跨度期，为 0 时为同步预测

2. 使用 pc.calc(save_to=) 计算 X 对 Y 的因果强度:

   pc.calc()

   save_to: 指定结果输出路径，默认为当前目录的 result.csv 文件

   结果输出为三列表格，第一列为各时点正因果，第二列为负因果，第三列为暗因果。

正确性及注意事项

本代码使用测试数据与作者的 R 语言代码进行了结果对比，当 E=2 时所有测试数据均得到相同结果。 当 E=3 时作者代码运行报错，故未测试，用户可自行测试。

本代码只是对论文算法和作者 R 语言代码的 Python 重构，未进行任何算法上的改动！

如果你觉得本代码对原文算法理解有误，欢迎提 issue 交流，但请注意本代码使用测试数据在 E=2 时通过了测试。关于 Python 语言层面的问题请自行解决。