python中时间序列数据的梯度计算

我正在尝试编写一个函数，它可以从最适合下面的线返回梯度 dataframe

在浏览了谷歌的几个资源之后，我仍然不确定这是如何完成的。

我明白最佳拟合线的计算公式为： y = mx + b 将因变量 (y) 设置为 foos ，将自变量 (x) 设置为 DateTime

Dataframe

DateTime                    foos
2019-06-02 11:10:00.000000  0.01693508247952
2019-06-02 11:09:00.000000  0.5880636280067069
2019-06-02 11:08:00.000000  0.039372713999924
2019-06-02 11:07:00.000000  0.0695437258183455
2019-06-02 11:05:00.000000  1.5659431108801645
2019-06-02 11:04:00.000000  0.557622107242239
2019-06-02 11:03:00.000000  1.636076943844067
2019-06-02 11:02:00.000000  0.95229579554872
2019-06-02 11:01:00.000000  4.140446615946458
2019-06-02 11:00:00.000000  1.9773540525390418
2019-06-02 10:59:00.000000  0.4339180765629633
2019-06-02 10:58:00.000000  0.9779139666335716
...

如何/使用什么才能返回时间序列数据的梯度值？

import pandas as pd
from scipy.stats import linregress

# 创建你的示例数据
data = {'DateTime': pd.to_datetime([
    '2019-06-02 11:10:00.000000',
    '2019-06-02 11:09:00.000000',
    '2019-06-02 11:08:00.000000',
    '2019-06-02 11:07:00.000000',
    '2019-06-02 11:05:00.000000',
    '2019-06-02 11:04:00.000000',
    '2019-06-02 11:03:00.000000',
    '2019-06-02 11:02:00.000000',
    '2019-06-02 11:01:00.000000',
    '2019-06-02 11:00:00.000000',
    '2019-06-02 10:59:00.000000',
    '2019-06-02 10:58:00.000000'
]),
        'foos': [
            0.01693508247952,
            0.5880636280067069,
            0.039372713999924,
            0.0695437258183455,
            1.5659431108801645,
            0.557622107242239,
            1.636076943844067,
            0.95229579554872,
            4.140446615946458,
            1.9773540525390418,
            0.4339180765629633,
            0.9779139666335716
        ]
       }
df = pd.DataFrame(data)

# 将“DateTime”列转换为数值类型，以进行线性回归
df['DateTime'] = pd.to_numeric(df['DateTime'])

# 使用 scipy.stats.linregress 计算斜率（梯度）
slope, intercept, r_value, p_value, std_err = linregress(df['DateTime'], df['foos'])

print(f"梯度（斜率）为：{slope}")

这段代码首先将你的“DateTime”列转换为数值格式，这是线性回归所必需的。然后，它使用 scipy.stats.linregress 函数计算最佳拟合线的斜率（代表梯度）和截距，以及其他统计数据，如 R 平方值、p 值和标准误差。

在此代码中， 梯度 由线性回归的 斜率 表示。较大的正斜率表示随着时间的推移， foos 值快速增加，而较小的正斜率或负斜率表示 foos 值增加缓慢或随时间减少。