tslearn.preprocessing.TimeSeriesScalerMeanVariance¶
- class tslearn.preprocessing.TimeSeriesScalerMeanVariance(mu=0.0, std=1.0)[source]¶
时间序列的缩放器。缩放时间序列，使得每个维度的平均值（分别为标准差）为 mu（分别为 std）。
- Parameters:
- mufloat (default: 0.)
输出时间序列的平均值。
- stdfloat (default: 1.)
输出时间序列的标准差。
注释
此方法需要一个等长时间序列的数据集。
在计算mu和std时，时间序列中的NaNs会被忽略。
示例
>>> TimeSeriesScalerMeanVariance(mu=0., ... std=1.).fit_transform([[0, 3, 6]]) array([[[-1.22474487], [ 0. ], [ 1.22474487]]]) >>> TimeSeriesScalerMeanVariance(mu=0., ... std=1.).fit_transform([[numpy.nan, 3, 6]]) array([[[nan], [-1.], [ 1.]]])
方法
fit(X[, y])一个虚拟方法，使其符合sklearn的要求。
fit_transform(X[, y])拟合数据，然后转换它。
获取此对象的元数据路由。
get_params([deep])获取此估计器的参数。
set_output(*[, transform])设置输出容器。
set_params(**params)设置此估计器的参数。
transform(X[, y])拟合数据，然后转换它。
- fit(X, y=None, **kwargs)[source]¶
一个虚拟方法，以便它符合sklearn的要求。 由于此方法完全无状态，它只是返回自身。
- Parameters:
- X
忽略
- Returns:
- self
- fit_transform(X, y=None, **kwargs)[source]¶
拟合数据，然后进行转换。
- Parameters:
- Xarray-like of shape (n_ts, sz, d)
需要重新缩放的时间序列数据集。
- Returns:
- numpy.ndarray
重采样的时间序列数据集。
- get_metadata_routing()[source]¶
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)[source]¶
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。
- set_output(*, transform=None)[source]¶
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。
