.KBinsDiscretizer

class pyts.preprocessing.KBinsDiscretizer(n_bins=5, strategy='quantile', raise_warning=True)

将连续数据按样本分箱到区间中。

参数:

n_bins : int (default = 5)

要生成的箱数。箱的区间由输入数据的最小值和最大值决定。该值必须大于或等于2。

strategy : ‘uniform’, ‘quantile’ or ‘normal’ (default = ‘quantile’)

用于定义箱宽的策略:

• ‘uniform’: 每个样本中的所有箱具有相同宽度
• ‘quantile’: 每个样本中的所有箱具有相同数量的点
• ‘normal’: 箱边界来自标准正态分布的分位数

raise_warning : bool (default = True)

如果为True，当至少一个样本的箱数较小时会发出警告。在这种情况下，您应考虑减少箱数或移除这些样本。

示例

>>> from pyts.preprocessing import KBinsDiscretizer
>>> X = [[0, 1, 0, 2, 3, 3, 2, 1],
...      [7, 0, 6, 1, 5, 3, 4, 2]]
>>> discretizer = KBinsDiscretizer(n_bins=2)
>>> print(discretizer.transform(X))
[[0 0 0 1 1 1 1 0]
 [1 0 1 0 1 0 1 0]]

方法

__init__([n_bins, strategy, raise_warning])	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)	Bin the data.

__init__(n_bins=5, strategy='quantile', raise_warning=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 : object

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)

对数据进行分箱处理。

参数:

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

待转换的数据。

返回值:

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

分箱后的数据。