子LOF

class SubLOF(n_neighbors, window_size, *, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, contamination='auto', novelty=False, n_jobs=None)

时间序列版本的局部异常因子。

LOF 模型拟合于窗口时间序列数据。

参数:

n_neighborsint, 默认值=20

用于 kneighbors 查询的默认邻居数量。如果 n_neighbors 大于提供的样本数量，则将使用所有样本。

窗口大小int, float, timedelta

LOF 模型拟合的非重叠窗口的大小。

算法{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 默认=’auto’

用于计算最近邻的算法：

• ‘ball_tree’ 将使用 BallTree

• ‘kd_tree’ 将使用 KDTree

• ‘brute’ 将使用暴力搜索。

• ‘auto’ 将尝试根据传递给 fit 方法的值来决定最合适的算法。

注意：在稀疏输入上进行拟合将覆盖此参数的设置，使用暴力方法。

leaf_sizeint, 默认=30

Leaf 是传递给 BallTree 或 KDTree 的尺寸。这会影响构建和查询的速度，以及存储树所需的内存。最佳值取决于问题的性质。

指标str 或 callable, 默认=’minkowski’

用于距离计算的度量。默认是“minkowski”，当 p = 2 时，结果是标准的欧几里得距离。请参阅 scipy.spatial.distance 的文档以及 distance_metrics 中列出的度量，以获取有效的度量值。

如果度量是“预计算”，则假定 X 是一个距离矩阵，并且在拟合过程中必须是方阵。X 可能是一个 稀疏图，在这种情况下，只有“非零”元素可能被视为邻居。

如果 metric 是一个可调用函数，它接受两个表示一维向量的数组作为输入，并必须返回一个值，指示这些向量之间的距离。这对于 Scipy 的度量标准有效，但比将度量名称作为字符串传递效率低。

pfloat, 默认值=2

来自 sklearn.metrics.pairwise_distances 的闵可夫斯基度量参数。当 p = 1 时，这等同于使用曼哈顿距离（l1），而当 p = 2 时，等同于使用欧几里得距离（l2）。对于任意 p，使用闵可夫斯基距离（l_p）。

metric_paramsdict, 默认=None

度量函数的额外关键字参数。

污染‘auto’ 或浮点数，默认=’auto’

数据集的污染程度，即数据集中异常值的比例。在拟合时，这用于定义样本分数的阈值。

• 如果为 ‘auto’，则阈值的确定方式与原始论文中相同，

• 如果是一个浮点数，污染度应在范围 (0, 0.5] 内。

在 0.22 版本发生变更: contamination 的默认值从 0.1 改为 'auto'。

新颖性bool, 默认=False

默认情况下，LocalOutlierFactor 仅用于异常检测（novelty=False）。如果您想将 LocalOutlierFactor 用于新奇检测，请将 novelty 设置为 True。在这种情况下，请注意您应该仅对新的未见数据使用 predict、decision_function 和 score_samples，而不是在训练集上使用；并且请注意，以这种方式获得的结果可能与标准 LOF 结果不同。

在 0.20 版本加入.

n_jobsint, 默认=None

用于邻居搜索的并行作业数。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。更多详情请参见 术语表。

属性:

is_fitted

是否已调用 fit。

示例

>>> import pandas as pd
>>> from sktime.annotation.lof import SubLOF
>>> model = SubLOF(3, window_size=5)
>>> x = pd.DataFrame([0, 0.5, 100, 0.1, 0, 0, 0, 100, 0, 0, 0.3, -1, 0, 100, 0.2])
>>> model.fit_transform(x)
0     0
1     0
2     1
3     0
4     0
5     0
6     0
7     1
8     0
9     0
10    0
11    0
12    0
13    1
14    0
dtype: int64

方法

change_points_to_segments(y_sparse[, start, end])	将一系列变化点索引转换为段落。
check_is_fitted()	检查估计器是否已被拟合。
clone()	获取具有相同超参数的对象克隆。
clone_tags(estimator[, tag_names])	从另一个估计器克隆标签作为动态覆盖。
create_test_instance([parameter_set])	如果可能，构建估计器实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表及其名称列表。
dense_to_sparse(y_dense)	将注释器的密集输出转换为稀疏格式。
fit(X[, Y])	拟合训练数据。
fit_predict(X[, Y])	拟合数据，然后进行预测。
fit_transform(X[, Y])	拟合数据，然后进行转换。
get_class_tag(tag_name[, tag_value_default])	获取类标签的值。
get_class_tags()	从类及其所有父类中获取类标签。
get_config()	获取 self 的配置标志
get_fitted_params([deep])	获取拟合参数。
get_param_defaults()	获取对象的参数默认值。
get_param_names([sort])	获取对象的参数名称。
get_params([deep])	获取此对象的参数值字典。
get_tag(tag_name[, tag_value_default, ...])	从估计器类获取标签值并动态覆盖标签。
get_tags()	从估计器类获取标签和动态标签覆盖。
get_test_params([parameter_set])	返回估计器的测试参数设置。
is_composite()	检查对象是否由其他 BaseObjects 组成。
load_from_path(serial)	从文件位置加载对象。
load_from_serial(serial)	从序列化的内存容器中加载对象。
predict(X)	在测试/部署数据上创建注释。
predict_points(X)	预测测试/部署数据中的变化点/异常。
predict_scores(X)	返回测试/部署数据上预测注释的分数。
predict_segments(X)	预测测试/部署数据上的片段。
reset()	将对象重置为初始化后的干净状态。
save([path, serialization_format])	将序列化的自身保存到类字节对象或(.zip)文件中。
segments_to_change_points(y_sparse)	将片段转换为变化点。
set_config(**config_dict)	将配置标志设置为给定值。
set_params(**params)	设置此对象的参数。
set_random_state([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
set_tags(**tag_dict)	将动态标签设置为给定值。
sparse_to_dense(y_sparse, index)	将注释器的稀疏输出转换为密集格式。
transform(X)	在测试/部署数据上创建注释。
update(X[, Y])	使用新数据和可选的地面实况注释更新模型。
update_predict(X)	用新数据更新模型并为其创建注释。

fit_predict(X, Y=None)

拟合数据，然后进行预测。

使用给定的注释参数将模型拟合到 X 和 Y，并返回模型所做的注释。

参数:

Xpd.DataFrame 或 pd.Series

要转换的数据

Ypd.Series 或 np.ndarray，可选（默认=None）

未使用，默认为无。

返回:

selfpd.Series

包含异常在 X 中位置的系列。

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

参数字典或字典列表

static change_points_to_segments(y_sparse, start=None, end=None)

将一系列变化点索引转换为段落。

参数:

y_sparsepd.Series

包含变化点索引的序列。

开始可选的

第一段落的起点。

结束可选的

最后一段的终点

返回:

pd.Series

一个带有间隔索引的系列，指示各段的起点和终点。该系列的值是各段的标签。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> change_points = pd.Series([1, 2, 5])
>>> BaseSeriesAnnotator.change_points_to_segments(change_points, 0, 7)
[0, 1)   -1
[1, 2)    1
[2, 5)    2
[5, 7)    3
dtype: int64

check_is_fitted()

检查估计器是否已被拟合。

引发:

NotFittedError

如果估计器尚未拟合。

clone()

获取具有相同超参数的对象克隆。

克隆是一个在初始化后状态下的不同对象，没有共享引用。此函数等同于返回 self 的 sklearn.clone。

引发:

如果克隆不符合规范，由于 __init__ 存在错误，将引发 RuntimeError。

注释

如果成功，值等于 type(self)(**self.get_params(deep=False))。

clone_tags(estimator, tag_names=None)

从另一个估计器克隆标签作为动态覆盖。

参数:

估计器继承自 BaseEstimator 的估计器

标签名称str 或 str 列表, 默认 = None

要克隆的标签名称。如果为 None，则使用估计器中的所有标签作为 tag_names。

返回:

自我

自我引用。

注释

通过在 tag_set 中设置来自估计器的标签值，更改对象状态为 self 中的动态标签。

classmethod create_test_instance(parameter_set='default')

如果可能，构建估计器实例。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

实例使用默认参数的类实例

注释

get_test_params 可以返回字典或字典列表。此函数获取 get_test_params 返回的第一个或单个字典，并使用该字典构建对象。

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称列表。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

名称list of str, 与 objs 长度相同

第 i 个元素是测试中第 i 个 obj 实例的名称，约定为 {cls.__name__}-{i} 如果存在多个实例，否则为 {cls.__name__}

static dense_to_sparse(y_dense)

将注释器的密集输出转换为稀疏格式。

参数:

y_densepd.Series

• 如果 y_sparse 只包含 1 和 0，那么 1 代表变化点或异常。

• 如果 y_sparse 仅包含大于 0 的整数，它是一个段数组。

返回:

pd.Series

• 如果 y_sparse 是一系列变化点/异常点，将返回一个包含变化点/异常点索引的 pandas 系列。

• 如果 y_sparse 是一系列片段，将返回一个带有区间数据类型索引的序列。序列的值将是片段的标签。

fit(X, Y=None)

拟合训练数据。

参数:

Xpd.DataFrame

用于拟合模型的训练数据（时间序列）。

Ypd.Series，可选

如果标注者是受监督的，则为训练提供基础真值标注。

返回:

自身

自我引用。

注释

创建已拟合的模型，更新以“_”结尾的属性。将 _is_fitted 标志设置为 True。

fit_transform(X, Y=None)

拟合数据，然后进行转换。

使用给定的注释参数将模型拟合到 X 和 Y，并返回模型所做的注释。

参数:

Xpd.DataFrame, pd.Series 或 np.ndarray

要转换的数据

Ypd.Series 或 np.ndarray，可选（默认=None）

要预测的数据的目标值。

返回:

selfpd.Series

序列 X 的注释的确切格式取决于注释类型。

classmethod get_class_tag(tag_name, tag_value_default=None)

获取类标签的值。

不返回在实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

参数:

标签名称str

标签值的名称。

tag_value_default任何

如果未找到标签，则使用默认/回退值。

返回:

标签值

在 self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()

从类及其所有父类中获取类标签。

从 _tags 类属性中检索标签：值对。不返回从实例中定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

返回:

collected_tagsdict

类标签名称字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()

获取 self 的配置标志

返回:

config_dictdict

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是 _config_dynamic 对象属性的任何覆盖和新标签。

get_fitted_params(deep=True)

获取拟合参数。

状态要求：

需要状态为“已拟合”。

参数:

深度bool, 默认=True

是否返回组件的拟合参数。

• 如果为 True，将返回此对象的参数名称 : 值的字典，包括可拟合组件的拟合参数（= 值为 BaseEstimator 的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的拟合参数。

返回:

fitted_params带有字符串键的字典

拟合参数的字典，paramname : paramvalue 键值对包括：

• always: 此对象的所有拟合参数，通过 get_param_names 获取的值是该键对应的拟合参数值，属于此对象

• 如果 deep=True，还包含组件参数的键/值对，组件参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以其值作为 paramname 出现。

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

classmethod get_param_defaults()

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数，值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

排序bool, 默认=True

是否按字母顺序返回参数名称（True），或者按它们在类 __init__ 中出现的顺序返回（False）。

返回:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

深度bool, 默认=True

是否返回组件的参数。

• 如果为 True，将返回此对象的参数名称 : 值的字典，包括组件的参数（= BaseObject 值的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的参数。

返回:

参数带有字符串键的字典

参数字典，paramname : paramvalue 键值对包括：

• 总是：此对象的所有参数，通过 get_param_names 获取的值是该键的参数值，此对象的值始终与构造时传递的值相同。

• 如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以 paramname 的形式出现，并带有其值。

• 如果 deep=True，还包含任意级别的组件递归，例如，[componentname]__[componentcomponentname]__[paramname] 等。

get_tag(tag_name, tag_value_default=None, raise_error=True)

从估计器类获取标签值并动态覆盖标签。

参数:

标签名称str

要检索的标签名称

tag_value_default任何类型，可选；默认=None

如果未找到标签，则使用默认/回退值

raise_error布尔

当未找到标签时是否引发 ValueError

返回:

标签值任何

self 中 tag_name 标签的值。如果未找到，如果 raise_error 为 True，则返回错误，否则返回 tag_value_default。

引发:

如果 raise_error 为 True，即如果 tag_name 不在其中，则引发 ValueError。

self.get_tags().keys()

get_tags()

从估计器类获取标签和动态标签覆盖。

返回:

collected_tagsdict

标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性中收集，然后从 _tags_dynamic 对象属性中覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 组成。

复合对象是一个包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool

一个对象是否有任何参数的值是 BaseObjects。

property is_fitted

是否已调用 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

串行ZipFile(path).open(“object”) 的结果

返回:

反序列化自身，结果输出到 path，通过 cls.save(path)

classmethod load_from_serial(serial)

从序列化的内存容器中加载对象。

参数:

serial : cls.save(None) 输出的第一个元素输出中的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

predict(X)

在测试/部署数据上创建注释。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的注释的确切格式取决于注释类型。

predict_points(X)

预测测试/部署数据中的变化点/异常。

参数:

Xpd.DataFrame

要注释的数据，时间序列。

返回:

Ypd.Series

一系列其值为 X 中的变化点/异常的序列。

predict_scores(X)

返回测试/部署数据上预测注释的分数。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的得分精确格式取决于注释类型。

predict_segments(X)

预测测试/部署数据上的片段。

参数:

Xpd.DataFrame

要注释的数据，时间序列。

返回:

Ypd.Series

一个带有区间索引的系列。每个区间是一个段的范围，相应的值是该段的标签。

reset()

将对象重置为初始化后的干净状态。

使用 reset，使用当前超参数值（get_params 的结果）运行 __init__。这将移除任何对象属性，除了：

• 超参数 = __init__ 的参数

• 包含双下划线的对象属性，即字符串”__”

类和对象方法，以及类属性也不受影响。

返回:

自身

类的实例重置为干净的初始化后状态，但保留当前的超参数值。

注释

等同于 sklearn.clone 但覆盖 self。在调用 self.reset() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

save(path=None, serialization_format='pickle')

将序列化的自身保存到类字节对象或(.zip)文件中。

行为：如果 path 是 None，则返回内存中的序列化自身；如果 path 是一个文件位置，则将自身存储在该位置作为一个 zip 文件。

保存的文件是包含以下内容的zip文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化（pickle）。

参数:

路径无或文件位置（str 或 Path）

如果为 None，则将 self 保存到内存对象中；如果为文件位置，则将 self 保存到该文件位置。如果：

path=”estimator” 则会在当前工作目录（cwd）生成一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个名为 estimator.zip 的压缩文件。

serialization_format: str, default = “pickle”

用于序列化的模块。可用的选项有“pickle”和“cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回:

如果 path 为 None - 内存中序列化的自身

如果 path 是文件位置 - 带有文件引用的 ZipFile

static segments_to_change_points(y_sparse)

将片段转换为变化点。

参数:

y_sparsepd.DataFrame

一系列片段。索引必须是区间数据类型，而值应该是片段的整数标签。

返回:

pd.Series

包含每个段落起始索引的序列。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> segments = pd.Series(
...     [3, -1, 2],
...     index=pd.IntervalIndex.from_breaks([2, 5, 7, 9], closed="left")
... )
>>> BaseSeriesAnnotator.segments_to_change_points(segments)
0    2
1    5
2    7
dtype: int64

set_config(**config_dict)

将配置标志设置为给定值。

参数:

config_dictdict

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示：

显示str, “diagram” (默认), 或 “text”

Jupyter 内核如何显示 self 的实例

• “diagram” = html 盒子图表示

• “text” = 字符串打印输出

print_changed_onlybool, 默认=True

是否仅打印与默认值不同的自身参数（False），或者打印所有参数名称和值（False）。不嵌套，即仅影响自身，不影响组件估计器。

警告str, “on” (默认), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 不会从 sktime 引发警告

后端:并行str, 可选, 默认=”None”

在广播/矢量化时用于并行化的后端，是以下之一

• “None”: 按顺序执行循环，简单的列表推导

• “loky”、“multiprocessing” 和 “threading”：使用 joblib.Parallel

• “joblib”：自定义和第三方 joblib 后端，例如，spark

• “dask”: 使用 dask，需要在环境中安装 dask 包

backend:parallel:paramsdict, 可选, 默认={} (未传递参数)

传递给并行化后端的额外参数作为配置。有效键取决于 backend:parallel 的值：

• “None”: 没有额外参数, backend_params 被忽略

• “loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端 任何有效的 joblib.Parallel 键都可以在这里传递，例如 n_jobs，除了 backend 直接由 backend 控制。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。

• “joblib”: 自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。

• dask: 任何 dask.compute 的有效键都可以传递，例如 scheduler

返回:

self对自身的引用。

注释

更改对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)

设置此对象的参数。

该方法适用于简单估计器以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象，即包含其他对象的对象，以访问组件 <component> 中的 <parameter>。如果这使得引用明确，例如没有两个组件参数具有名称 <parameter>，则也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**参数dict

BaseObject 参数，键必须是 <组件>__<参数> 字符串。如果 get_params 键中唯一，__ 后缀可以别名为完整字符串。

返回:

self引用自身（在参数设置之后）

set_random_state(random_state=None, deep=True, self_policy='copy')

为 self 设置 random_state 伪随机种子参数。

通过 estimator.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为由 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链哈希采样获得，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 estimator 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件估计器。

注意：即使 self 没有 random_state，或者没有任何组件有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 估计器，即使那些没有 random_state 参数的估计器。

参数:

random_stateint, RandomState 实例或 None, 默认=None

伪随机数生成器，用于控制随机整数的生成。传递整数以在多次函数调用中获得可重复的输出。

深度bool, 默认=True

是否在子估计器中设置随机状态。如果为 False，则仅设置 self 的 random_state 参数（如果存在）。如果为 True，则还会在子估计器中设置 random_state 参数。

self_policystr, 可以是 {“copy”, “keep”, “new”} 之一, 默认为 “copy”

• “复制” : estimator.random_state 被设置为输入 random_state

• “保持”：estimator.random_state 保持不变

• “new” : estimator.random_state 被设置为一个新的随机状态，

源自输入 random_state，并且通常与它不同

返回:

self自我引用

set_tags(**tag_dict)

将动态标签设置为给定值。

参数:

**标签字典dict

标签名称：标签值对的字典。

返回:

自我

自我引用。

注释

通过在 tag_dict 中设置标签值，将对象状态更改为 self 中的动态标签。

static sparse_to_dense(y_sparse, index)

将注释器的稀疏输出转换为密集格式。

参数:

y_sparsepd.Series

• 如果 y_sparse 是一个带有区间索引的序列，它应该表示每个序列值都是某个区间的标签的段。未分类的区间应标记为 -1。段绝不能有标签 0。

• 如果 y_sparse 的索引不是一组区间，则序列的值应表示变化点/异常的索引。

索引类数组

根据 y_sparse 进行注释的索引。

返回:

pd.Series

返回一个索引为 index 的系列。* 如果 y_sparse 是一个变化点/异常的系列，则返回的

序列被标记为 0 和 1，取决于索引是否与异常/变化点相关联。其中 1 表示异常/变化点。

• 如果 y_sparse 是一系列片段，则返回的序列根据其索引所属的片段进行标记。不属于任何片段的索引被标记为 -1。

示例

>>> import pandas as pd
>>> from sktime.annotation.base._base import BaseSeriesAnnotator
>>> y_sparse = pd.Series([2, 5, 7])  # Indices of changepoints/anomalies
>>> index = range(0, 8)
>>> BaseSeriesAnnotator.sparse_to_dense(y_sparse, index=index)
0    0
1    0
2    1
3    0
4    0
5    1
6    0
7    1
dtype: int64
>>> y_sparse = pd.Series(
...     [1, 2, 1],
...     index=pd.IntervalIndex.from_arrays(
...         [0, 4, 6], [4, 6, 10], closed="left"
...     )
... )
>>> index = range(10)
>>> BaseSeriesAnnotator.sparse_to_dense(y_sparse, index=index)
0    1
1    1
2    1
3    1
4    2
5    2
6    1
7    1
8    1
9    1
dtype: int64

transform(X)

在测试/部署数据上创建注释。

参数:

Xpd.DataFrame

要注释的数据（时间序列）。

返回:

Ypd.Series

序列 X 的注释。返回的注释将以密集格式呈现。

update(X, Y=None)

使用新数据和可选的地面实况注释更新模型。

参数:

Xpd.DataFrame

用于更新模型的训练数据（时间序列）。

Ypd.Series，可选

如果标注者是受监督的，则为训练提供基础真值标注。

返回:

自身

自我引用。

注释

更新拟合的模型，该模型更新以“_”结尾的属性。

update_predict(X)

用新数据更新模型并为其创建注释。

参数:

Xpd.DataFrame

用于更新模型的训练数据，时间序列。

返回:

Ypd.Series

序列 X 的注释的确切格式取决于注释类型。

注释

更新拟合的模型，该模型更新以“_”结尾的属性。