在線性回歸中使用循環預測器
我正在嘗試使用風數據 (0, 359) 和一天中的時間 (0, 23) 來擬合模型，但我擔心它們無法很好地擬合線性回歸，因為它們本身不是線性參數。我想使用 Python 轉換它們。我已經看到有人提到通過取度數的 sin 和 cos 來計算向量平均值，至少在風的情況下，但不是很多。
是否有可能有用的 Python 庫或相關方法？
風向（這里以度為單位，大概是從北方順時針方向的指南針方向）是一個循環變量。測試是音階的常規開頭與結尾相同，即. 當被視為預測變量時，它可能最好映射到正弦和余弦。無論您的軟件是什麼，它都可能期望以弧度為單位測量角度，因此轉換將相當於
鑑於弧度. 類似地，從午夜開始以小時為單位測量的時間可以映射到正弦和余弦，使用
或者
具體取決於時間的記錄方式或應如何解釋。
有時自然或社會是有義務的，並且對循環變量的依賴表現為某個方向對於響應是最佳的，而相反的方向（半個圓）是最壞的。在這種情況下，一個正弦和余弦項就足夠了；對於更複雜的模式，您可能需要其他術語。有關循環、傅立葉、週期性、三角回歸技術的更多詳細信息，可以在此處找到，並提供更多參考資料。好消息是，一旦您創建了正弦和余弦項，它們只是回歸中的額外預測變量。
有大量關於循環統計的文獻，其本身被視為方向統計的一部分。奇怪的是，這種技術通常沒有被提及，因為該文獻中的重點通常是循環響應變量。通過向量方法總結循環變量是一種標準的描述方法，但對於回歸不是必需的或直接有幫助的。
關於術語的一些細節風向和一天中的時間是統計術語變量，而不是參數，無論您在科學分支中使用什麼。
線性回歸由參數的線性定義，即對於向量預測它是參數的向量，而不是預測變量矩陣，這更關鍵。因此，在這種情況下，正弦和余弦等預測變量是在圓形尺度上測量的，並且也僅限於對它們出現在線性回歸中沒有障礙。
附帶評論對於諸如粒子濃度之類的響應變量，我希望使用具有對數鏈接的廣義線性模型來確保積極的預測。