首先得到归一化系数（这样当滞后为0时，我们得到Pearson相关系数）：

• 将两个信号除以它们的标准偏差
• 按完成卷积的信号的长度缩放（最短信号）

out = correlate(x/np.std(x), y/np.std(y), 'full') / min(len(x), len(y))

现在对于滞后，从official documentation of correlate可以读出互相关的完整输出由下式给出：

z[k] = (x * y)(k - N + 1)
     = \sum_{l=0}^{||x||-1}x_l y_{l-k+N-1}^{*}\]

其中*表示卷积，k精确地从0到||x|| + ||y|| - 2。N是max(len(x), len(y))。
滞后在上面被表示为卷积(x * y)的自变量，因此它们的范围从0 - N + 1到||x|| + ||y|| - 2 - N + 1，即n - 1与n=min(len(x), len(y))。
此外，通过简单查看源代码，我认为如果方便的话，他们有时会交换x和y ......（因此在上面的标准化中使用min(len(x), len(y))。然而，这意味着要更改滞后的开始，因此：

N = max(len(x), len(y))
n = min(len(x), len(y))

# if len(x) < (len(y):

lags = np.arange(-N + 1, n)

# else:

lags = np.arange(-n + 1, N)

摘要

在两个时间序列上检查此代码，您要绘制以下项的交叉相关性：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import correlate

def plot_xcorr(x, y): 
    "Plot cross-correlation (full) between two signals."
    N = max(len(x), len(y)) 
    n = min(len(x), len(y)) 

    if N == len(y): 
        lags = np.arange(-N + 1, n) 
    else: 
        lags = np.arange(-n + 1, N) 
    c = correlate(x / np.std(x), y / np.std(y), 'full') 

    plt.plot(lags, c / n) 
    plt.show()

为了计算两个信号之间的时间延迟，我们需要找到两个信号之间的互相关，并找到argmax。
假设data_1和data_2是两个信号的样本：

import numpy as np 
import pandas as pd

correlation = np.correlate(data_1, data_2, mode='same')
delay = np.argmax(correlation) - int(len(correlation)/2)