pyts.preprocessing.StandardScaler

class pyts.preprocessing.StandardScaler(with_mean=True, with_std=True)[来源]

通过去除均值并缩放至单位方差来标准化时间序列。

参数:
with_mean : bool (默认 = True)

如果为True，在缩放前对数据进行中心化处理。

with_std : bool (默认 = True)

如果为True，将数据缩放到单位方差。

示例

>>> from pyts.preprocessing import StandardScaler
>>> X = [[0, 2, 0, 4, 4, 6, 4, 4],
...      [1, 0, 3, 2, 2, 2, 0, 2]]
>>> scaler = StandardScaler()
>>> scaler.transform(X)
array([[-1.5, -0.5, -1.5,  0.5,  0.5,  1.5,  0.5,  0.5],
       [-0.5, -1.5,  1.5,  0.5,  0.5,  0.5, -1.5,  0.5]])

方法

__init__([with_mean, with_std]) 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) Perform standardization by centering and scaling.
__init__(with_mean=True, with_std=True)[来源]

初始化自身。查看 help(type(self)) 获取准确的签名信息。

fit(X=None, y=None)[来源]

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)[来源]

通过中心化和缩放进行标准化处理。

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

待缩放的数据。
返回值：
X_new ： array-like, shape = (n_samples, n_timestamps)

缩放后的数据。

使用 pyts.preprocessing.StandardScaler 的示例

Scalers

Scalers

缩放器