常见问题解答

1. tsfresh 是否支持不同长度的时间序列？

   是的，它支持不同长度的时间序列。但是，一些特征计算器可能要求时间序列具有最小长度。如果向计算器传入的时间序列长度较短，则这些特征会返回 NaN。

2. 是否可以从滚动/偏移的时间序列中提取特征？

   是的，tsfresh.dataframe_functions.roll_time_series() 函数可以方便地从您的数据创建滚动时间序列 DataFrame。您只需将数据转换为 tsfresh 支持的 数据格式 之一即可。然后，tsfresh.dataframe_functions.roll_time_series() 将返回一个包含滚动时间序列的 DataFrame，您可以将其传递给 tsfresh。更多详细信息请见此处：滚动/时间序列预测。

3. 如何在 Windows 系统上使用 tsfresh？

   我们建议使用 Anaconda。安装后，打开 Anaconda Prompt，创建一个环境并设置 tsfresh（请注意，我们使用了多进程，这在 Windows 系统上可能存在问题。）

   conda create -n ENV_NAME python=VERSION
   conda install -n ENV_NAME pip requests numpy pandas scipy statsmodels patsy scikit-learn tqdm
   activate ENV_NAME
   pip install tsfresh
   

4. tsfresh 是否支持时间序列中的不同采样率？

   是的！tsfresh 中的特征计算器不关心采样频率。您需要使用第二种输入格式，即堆叠式 DataFrame（参见 数据格式）

5. tsfresh 是否支持不规则间隔的时间序列？

   是的，但要小心。正如其名称所示，column_sort（即时间戳）参数仅用于对观测值进行排序。除了排序之外，tsfresh 在计算中不使用时间戳。虽然许多特征不需要时间戳（或仅需要它进行排序），但其他特征会假定观测值在时间上是均匀间隔的（例如，每次观测之间相隔一秒）。由于 tsfresh 忽略了间隔，因此在使用高度不规则序列时选择特征时应格外小心。

6. 即使只提取 :class:`tsfresh.feature_extraction.settings.EfficientFCParameters`，tsfresh 运行也需要很长时间。我还能做些什么来加快处理速度？

   如果您正在使用并行化（默认选项），您可能需要检查您没有过度分配可用的 CPU 内核。请查看 notes-for-efficient-parallelization-label 获取消除此问题的步骤，这可以显著加快处理速度。