.分段聚合近似

class pyts.approximation.PiecewiseAggregateApproximation(window_size=1, output_size=None, overlapping=True)

分段聚合近似。

Parameters:

window_size : int, float or None (default = 1)

滑动窗口的长度。如果是浮点数，表示每个时间序列大小的百分比，必须在0到1之间。

output_size : int, float or None (default = None)

返回时间序列的大小。如果是浮点数，表示每个时间序列大小的百分比，必须在0到1之间。如果window_size不为None则忽略此参数。当window_size为None时，此参数不能为None。如果想使用output_size而非window_size，必须设置window_size=None。

overlapping : bool (default = True)

当window_size=None时，使用output_size来推导窗口大小；如果overlapping=True则窗口大小固定，如果overlapping=False则窗口大小可能变化。如果指定了window_size则忽略此参数。

参考文献

[1]	E. Keogh, K. Chakrabarti, M. Pazzani, 和 S. Mehrotra, "大型时间序列数据库中快速相似性搜索的降维方法". 知识与信息系统, 3(3), 263-286 (2001).

示例

>>> from pyts.approximation import PiecewiseAggregateApproximation
>>> X = [[0, 4, 2, 1, 7, 6, 3, 5],
...      [2, 5, 4, 5, 3, 4, 2, 3]]
>>> transformer = PiecewiseAggregateApproximation(window_size=2)
>>> transformer.transform(X)
array([[2. , 1.5, 6.5, 4. ],
       [3.5, 4.5, 3.5, 2.5]])

方法

__init__([window_size, output_size, overlapping])	Initialize self.
fit([X, y])	Pass.
fit_transform(X[, y])	Fit to data, then transform it.
get_params([deep])	Get parameters for this estimator.
set_params(**params)	Set the parameters of this estimator.
transform(X)	Reduce the dimensionality of each time series.

__init__(window_size=1, output_size=None, overlapping=True)

初始化自身。查看 help(type(self)) 获取准确的签名信息。

fit(X=None, y=None)

通过。

参数:

X

忽略

y

忽略

返回值:

self

对象

fit_transform(X, y=None, **fit_params)

拟合数据，然后进行转换。

使用可选参数fit_params将转换器适配到X和y，并返回转换后的X版本。

参数:

X : array-like, shape = (n_samples, n_timestamps)

单变量时间序列。

y : None or array-like, shape = (n_samples,) (default = None)

目标值(无监督转换时为None)。

**fit_params : dict

额外的拟合参数。

返回值:

X_new : array

转换后的数组。

get_params(deep=True)

获取此估计器的参数。

参数：

deep : bool, default=True

如果为True，将返回此估计器及其包含的子估计器的参数。

返回值:

params : dict

参数名称映射到对应的值。

set_params(**params)

设置此估计器的参数。

该方法不仅适用于简单的估计器，也适用于嵌套对象（如Pipeline）。后者采用<component>__<parameter>形式的参数，从而可以更新嵌套对象的每个组件。

参数:

**params : dict

估计器参数。

返回值:

self : 估计器实例

估计器实例。

transform(X)

降低每个时间序列的维度。

参数:

X : 类数组, 形状 = (n_samples, n_timestamps)

返回值:

X_new : 数组, 形状 = (n_samples, n_timestamps_new)

使用 pyts.approximation.PiecewiseAggregateApproximation 的示例

分段聚合近似

分段聚合近似