.分段聚合近似

class tslearn.piecewise.PiecewiseAggregateApproximation(n_segments=1)

分段聚合近似（PAA）变换。

PAA最初在[1]中提出。

Parameters:

n_segmentsint (default: 1)

要计算的PAA段数

注释

此方法需要一个等长时间序列的数据集。

参考文献

[1]

E. Keogh & M. Pazzani. 扩展动态时间规整以用于数据挖掘应用。SIGKDD 2000, 第285–289页。

示例

>>> paa = PiecewiseAggregateApproximation(n_segments=3)
>>> data = [[-1., 2., 0.1, -1., 1., -1.], [1., 3.2, -1., -3., 1., -1.]]
>>> paa_data = paa.fit_transform(data)
>>> paa_data.shape
(2, 3, 1)
>>> paa_data
array([[[ 0.5 ],
        [-0.45],
        [ 0.  ]],

       [[ 2.1 ],
        [-2.  ],
        [ 0.  ]]])
>>> paa.distance_paa(paa_data[0], paa_data[1])  
3.15039...
>>> paa.distance(data[0], data[1])  
3.15039...
>>> paa.inverse_transform(paa_data)
array([[[ 0.5 ],
        [ 0.5 ],
        [-0.45],
        [-0.45],
        [ 0.  ],
        [ 0.  ]],

       [[ 2.1 ],
        [ 2.1 ],
        [-2.  ],
        [-2.  ],
        [ 0.  ],
        [ 0.  ]]])

方法

distance(ts1, ts2)	计算PAA表示之间的距离，定义见[1]。
distance_paa(paa1, paa2)	计算PAA表示之间的距离，定义见[1]。
fit(X[, y])	拟合一个PAA表示。
fit_transform(X[, y])	拟合PAA表示并相应地转换数据。
from_hdf5(path)	从HDF5文件加载模型。
from_json(path)	从JSON文件加载模型。
from_pickle(path)	从pickle文件加载模型。
get_metadata_routing()	获取此对象的元数据路由。
get_params([deep])	获取此估计器的参数。
inverse_transform(X)	计算与给定PAA表示对应的时间序列。
set_output(*[, transform])	设置输出容器。
set_params(**params)	设置此估计器的参数。
to_hdf5(path)	将模型保存到HDF5文件。
to_json(path)	将模型保存为JSON文件。
to_pickle(path)	将模型保存到pickle文件中。
transform(X[, y])	将时间序列数据集转换为其PAA表示。

distance(ts1, ts2)

计算PAA表示之间的距离，如[1]中所定义。

Parameters:

ts1array-like

时间序列

ts2array-like

另一个时间序列

Returns:

float

PAA距离

参考文献

[1] (1,2)

E. Keogh & M. Pazzani. 扩展动态时间规整以用于数据挖掘应用。SIGKDD 2000, 第285–289页。

distance_paa(paa1, paa2)

计算PAA表示之间的距离，如[1]中所定义。

Parameters:

paa1array-like

时间序列的PAA表示

paa2array-like

另一个时间序列的PAA表示

Returns:

float

PAA距离

参考文献

[1] (1,2)

E. Keogh & M. Pazzani. 扩展动态时间规整以用于数据挖掘应用。SIGKDD 2000, 第285–289页。

fit(X, y=None)

拟合一个PAA表示。

Parameters:

Xarray-like of shape (n_ts, sz, d)

时间序列数据集

Returns:

PiecewiseAggregateApproximation

自身

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

拟合一个PAA表示并相应地转换数据。

Parameters:

Xarray-like of shape (n_ts, sz, d)

时间序列数据集

Returns:

numpy.ndarray of shape (n_ts, n_segments, d)

PAA转换后的数据集

classmethod from_hdf5(path)

从HDF5文件加载模型。 需要 h5py http://docs.h5py.org/

Parameters:

pathstr

文件的完整路径。

Returns:

Model instance

classmethod from_json(path)

从JSON文件加载模型。

Parameters:

pathstr

文件的完整路径。

Returns:

Model instance

classmethod from_pickle(path)

从pickle文件加载模型。

Parameters:

pathstr

文件的完整路径。

Returns:

Model instance

get_metadata_routing()

获取此对象的元数据路由。

请查看用户指南了解路由机制的工作原理。

Returns:

routingMetadataRequest

一个封装了路由信息的MetadataRequest。

get_params(deep=True)

获取此估计器的参数。

Parameters:

deepbool, default=True

如果为True，将返回此估计器及其包含的子对象（如果也是估计器）的参数。

Returns:

paramsdict

参数名称映射到它们的值。

inverse_transform(X)

计算与给定PAA表示相对应的时间序列。

Parameters:

Xarray-like of shape (n_ts, sz_paa, d)

PAA系列的数据集。

Returns:

numpy.ndarray of shape (n_ts, sz_original_ts, d)

与提供的表示相对应的时间序列数据集。

set_output(*, transform=None)

设置输出容器。

请参阅Introducing the set_output API 以了解如何使用API的示例。

Parameters:

transform{“default”, “pandas”}, default=None

配置transform和fit_transform的输出。

• “default”: 转换器的默认输出格式

• “pandas”: DataFrame 输出

• None: 转换配置未更改

Returns:

selfestimator instance

估计器实例。

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如Pipeline）。后者具有形式为<component>__<parameter>的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict

估计器参数。

Returns:

selfestimator instance

估计器实例。

to_hdf5(path)

将模型保存到HDF5文件。 需要 h5py http://docs.h5py.org/

Parameters:

pathstr

完整文件路径。文件必须不存在。

Raises:

FileExistsError

如果已经存在具有相同路径的文件。

to_json(path)

将模型保存到JSON文件。

Parameters:

pathstr

完整文件路径。

to_pickle(path)

将模型保存到pickle文件中。

Parameters:

pathstr

完整文件路径。

transform(X, y=None)

将时间序列的数据集转换为其PAA表示。

Parameters:

Xarray-like of shape (n_ts, sz, d)

时间序列数据集

Returns:

numpy.ndarray of shape (n_ts, n_segments, d)

PAA转换后的数据集

使用 tslearn.piecewise.PiecewiseAggregateApproximation 的示例

PAA和SAX特征

PAA and SAX features