tsfresh.examples 包

子模块

tsfresh.examples.driftbif_simulation 模块

tsfresh.examples.driftbif_simulation.load_driftbif(n, length, m=2, classification=True, kappa_3=0.3, seed=False)[source]

模拟 n 个时间序列，每个时间序列长度为 length 个时间步，用于耗散孤子的 m 维速度

classification=True：目标 0 表示 tau<=1/0.3，带有布朗运动的耗散孤子（纯粹由噪声驱动）；目标 1 表示 tau > 1/0.3，带有主动布朗运动的耗散孤子（固有速度叠加噪声）

classification=False：目标是分叉参数 tau

参数：

n (int) – 样本数量
length (int) – 时间序列的长度
m (int) – 耗散孤子传播的空间维度数量（默认为 m=2）
classification (bool) – 区分分类（默认为 True）和回归目标
kappa_3 (float) – 逆分叉参数（默认为 0.3）
seed (float) – 随机种子（默认为 False）

返回：

X, y。时间序列容器和目标向量

返回类型 X：

pandas.DataFrame

返回类型 y：

pandas.DataFrame

tsfresh.examples.driftbif_simulation.sample_tau(n=10, kappa_3=0.3, ratio=0.5, rel_increase=0.15)[source]

返回控制参数列表

参数：

n (int) – 样本数量
kappa_3 (float) – 逆分叉点
ratio (float) – 漂移-分叉前后样本的比例（默认为 0.5）
rel_increase (float) – 相对于分叉点的相对增加

返回：

tau。采样分叉参数列表

返回类型 tau：

list

class tsfresh.examples.driftbif_simulation.velocity(tau=3.8, kappa_3=0.3, Q=1950.0, R=0.0003, delta_t=0.05, seed=None)[source]

基类: object

模拟耗散孤子（一种自组织粒子）的速度[6]。在没有噪声 R=0 的情况下，对于 $ au>1.0/kappa_3$，平衡速度为 $kappa_3 sqrt{(tau - 1.0/kappa_3)/Q}$。在漂移-分叉 $ au le 1.0/kappa_3$ 之前，速度为零。

参考文献

>>> ds = velocity(tau=3.5) # Dissipative soliton with equilibrium velocity 1.5e-3
>>> print(ds.label) # Discriminating before or beyond Drift-Bifurcation
1

# 平衡速度 >>> print(ds.deterministic) 0.0015191090506254991

# 模拟速度作为具有 20000 个时间步的时间序列，受到高斯白噪声的干扰 >>> v = ds.simulate(20000)

simulate(N, v0=array([0., 0.]))[source]

参数：

N (int) – 时间步数
v0 (ndarray) – 初始速度向量

返回：

形状为 (N, v0.shape[0]) 的速度向量时间序列

返回类型：

ndarray

tsfresh.examples.har_dataset 模块

此模块实现了下载和加载人类活动识别数据集[4]的函数。数据集的描述可以在[5]中找到。

参考文献

tsfresh.examples.har_dataset.download_har_dataset(folder_name='/home/docs/checkouts/readthedocs.org/user_builds/tsfresh/envs/latest/lib/python3.10/site-packages/tsfresh/examples/data/UCI HAR Dataset')[source]

从 UCI ML Repository 下载人类活动识别数据集并将其存储在 /tsfresh/notebooks/data。

示例

>>> from tsfresh.examples import har_dataset
>>> har_dataset.download_har_dataset()

tsfresh.examples.har_dataset.load_har_classes(folder_name='/home/docs/checkouts/readthedocs.org/user_builds/tsfresh/envs/latest/lib/python3.10/site-packages/tsfresh/examples/data/UCI HAR Dataset')[source]

tsfresh.examples.har_dataset.load_har_dataset(folder_name='/home/docs/checkouts/readthedocs.org/user_builds/tsfresh/envs/latest/lib/python3.10/site-packages/tsfresh/examples/data/UCI HAR Dataset')[source]

tsfresh.examples.robot_execution_failures 模块

此模块实现了下载机器人执行失败 LP1 数据集[1], [2], [3]并将其作为 DataFrame 加载的函数。

重要提示： 您需要自己下载数据集，手动下载或通过函数 download_robot_execution_failures() 下载。

参考文献

tsfresh.examples.robot_execution_failures.download_robot_execution_failures(file_name='/home/docs/checkouts/readthedocs.org/user_builds/tsfresh/envs/latest/lib/python3.10/site-packages/tsfresh/examples/data/robotfailure-mld/lp1.data')[source]

从 UCI 机器学习存储库[#2]下载机器人执行失败 LP1 数据集[#1]并将其存储在本地。

返回：

示例

>>> from tsfresh.examples import download_robot_execution_failures
>>> download_robot_execution_failures()

tsfresh.examples.robot_execution_failures.load_robot_execution_failures(multiclass=False, file_name='/home/docs/checkouts/readthedocs.org/user_builds/tsfresh/envs/latest/lib/python3.10/site-packages/tsfresh/examples/data/robotfailure-mld/lp1.data')[source]

加载机器人执行失败 LP1 数据集[1]。时间序列以扁平的 DataFrame 形式传递。

示例

>>> from tsfresh.examples import load_robot_execution_failures
>>> df, y = load_robot_execution_failures()
>>> print(df.shape)
(1320, 8)

参数：: multiclass (bool) – 如果为 True，返回所有目标标签。默认为仅返回“正常”与其他所有标签的对比。
返回：: 时间序列数据为 pandas.DataFrame，目标向量为 pandas.Series
返回类型：: tuple

模块内容

包含可供试用的示例数据集的模块。

例如，请参阅快速开始部分了解如何使用它们。