### 如何在 Python 中实现 MK 趋势检验和 MK 突变检验 #### 使用 Mann-Kendall (MK) 方法的趋势分析 Mann-Kendall 检验是一种用于检测时间序列数据是否存在单调趋势的非参数统计方法。它不依赖于分布假设，因此非常适合处理具有噪声的数据集。 以下是基于 `scipy` 和其他库实现 MK 趋势检验的一个简单例子： ```python import numpy as np from scipy.stats import kendalltau def mann_kendall_test(data, alpha=0.05): """ 执行 Mann-Kendall 趋势检验。 参数: data (list or array): 时间序列数据。 alpha (float): 显著性水平，默认为 0.05。 返回: trend (str): 'increasing', 'decreasing' 或 'no trend' p_value (float): 原假设的概率值。 tau (float): Kendall Tau 统计量。 """ n = len(data) if n < 10: raise ValueError("样本量过小，无法执行可靠的 Mann-Kendall 测试") time_index = list(range(1, n + 1)) tau, p_value = kendalltau(time_index, data) if p_value <= alpha and tau > 0: trend = "increasing" elif p_value <= alpha and tau < 0: trend = "decreasing" else: trend = "no trend" return trend, p_value, tau # 示例数据 data = [12, 14, 19, 23, 27, 31, 35, 40, 45, 50] trend_result, p_val, tau_statistic = mann_kendall_test(data) print(f"Trend: {trend_result}, P-value: {p_val:.4f}, Tau Statistic: {tau_statistic:.4f}") ``` 此代码实现了基本的 Mann-Kendall 检验逻辑，并返回趋势方向、P 值以及 Kendall Tau 的统计量[^1]。 --- #### 使用 Pettitt 变点法进行突变检验 对于突变点检测，可以采用 Pettitt 法来识别时间序列中的显著变化位置。该方法通过计算两个子序列之间的 U 统计量差异来进行判断。 下面是一个简单的实现示例： ```python def pettitt_test(data, alpha=0.05): """ 执行 Pettitt 突变点测试。 参数: data (list or array): 时间序列数据。 alpha (float): 显著性水平，默认为 0.05。 返回: change_point (int): 突变点的位置索引。 p_value (float): 原假设的概率值。 """ n = len(data) k = range(1, n) r = np.array([np.sum(np.abs(np.sign(data[i:] - data[:i]))) for i in k]) u = 2 * r - n * (n + 1) utar = max(abs(u)) # 计算临界值 K_alpha ka = round((-np.log(alpha / 2)) ** 0.5 * ((2 * n ** 0.5) / 3), 0) if utar >= ka: cp = int((u.tolist().index(max(u)) + 1) if u.max() == utar else u.tolist().index(min(u))) else: cp = None p_value = np.exp(-6 * (utar / (2 * n ** 0.5)) ** 2) return cp, p_value # 示例数据 data = [12, 14, 19, 23, 27, 80, 85, 90, 95, 100] change_point, p_val_pettitt = pettitt_test(data) if change_point is not None: print(f"Change Point Detected at Index: {change_point} with P-value: {p_val_pettitt:.4f}") else: print("No significant change point detected.") ``` 这段代码利用 Pettitt 方法寻找可能存在的突变点及其对应的概率值[^2]。 --- #### 结合第三方库简化操作 如果希望减少手动编码的工作量，还可以借助专门的时间序列分析工具包如 `pyMannKendall` 来完成这些任务。安装方式如下： ```bash pip install pymannkendall ``` 使用示例如下： ```python import pymannkendall as mk result_mk = mk.original_test(data) print(result_mk) result_pettitt = mk.pettitt_test(data) print(result_pettitt) ``` 这将自动输出完整的统计结果，包括趋势类型、斜率估计、突变点位置等信息[^3]。 --- ### 总结 以上提供了两种主要的技术路径：一种是自定义函数的方式，另一种则是调用成熟的开源库。前者适合深入理解算法原理并灵活调整细节；后者则更加高效便捷，尤其适用于大规模数据分析场景。