import pandas as pd
import numpy as np

# サンプルデータ
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [1, 2, 3, 4, 5]
}
df = pd.DataFrame(data)

# 相互相関を計算
cross_cor = df['A'].corr(df['B'].shift())
print(cross_cor)

詳しく説明します。

まず、dataというデータの辞書を作成します。キーAとBに、それぞれ以下のようなデータのリストを割り当てています。

data = {
    'A': [1, 2, 3, 4, 5],
    'B': [1, 2, 3, 4, 5]
}

辞書からデータフレームdfを作成します。

df = pd.DataFrame(data)

dfに格納されているデータは以下です。

   A  B
0  1  1
1  2  2
2  3  3
3  4  4
4  5  5

変数Aのデータと、変数Bのデータを1期のラグ（遅れ）でシフトしたデータ（1期分ずらしたデータ）の相関を計算します。

cross_cor = df['A'].corr(df['B'].shift())

要は、変数Aのデータと前期の変数Bのデータとの相関です。このような相関を、相互相関と言います。
結果を表示します。

print(cross_cor)

1.0

具体的には、ある時系列データが他の時系列データに対してどの程度遅れて（または進んで）影響を与えるかを評価します。

相互相関の計算は、以下の手順で行われます。

1. 2つの時系列データを用意します。
2. 1つの時系列データを一定のラグ（遅れ）でシフトさせます。
3. シフトされたデータと元のデータとの相関を計算します。
4. ラグを変化させながら、相関を計算し続けます。

相互相関の結果は、ラグごとの相関係数の値として得られます。これにより、どのラグで2つの時系列データが最も強く相関しているかを特定することができます。

Pythonでは、Pandasライブラリを使用して相互相関を計算することができます。

例えば、df['A'].corr(df['B'].shift())のようにして、列Aとシフトされた列Bの相互相関を計算します。

ラグを増やすには、shiftメソッドの引数にラグの値を指定します。

例えば、ラグを2に増やす場合は、df['B'].shift(2)のようにします。

以下のコードでは、ラグを2に増やして相互相関を計算します。

cross_correlation = df['A'].corr(df['B'].shift(2))
print(cross_correlation)

1.0