Project Icon

tsflex

高效灵活的时间序列处理和特征提取Python工具包

tsflex是一个Python工具包,用于时间序列处理和特征提取。它支持多变量、多模态时间序列数据,并可与多种处理和特征提取库集成。tsflex采用基于视图的操作,实现低内存占用和快速执行。该工具包提供直观的API,对序列数据几乎没有假设,能处理异步数据。此外,tsflex还具备特征选择、执行时间记录和序列化等高级功能。

tsflex

PyPI最新版本 Conda最新版本 支持版本 codecov CodeQL 下载量 欢迎PR 文档 测试

tsflex 是一个用于灵活时间序列处理特征提取的工具包,高效且对序列数据的假设很少。

有用链接

安装

命令
pippip install tsflex
condaconda install -c conda-forge tsflex

使用

tsflex 的设计注重直观性,我们鼓励你复制粘贴这段代码并尝试调整一些参数!

特征提取

import pandas as pd; import numpy as np; import scipy.stats as ss
from tsflex.features import MultipleFeatureDescriptors, FeatureCollection
from tsflex.utils.data import load_empatica_data

# 1. 加载序列索引数据(这里是时间索引)
df_tmp, df_acc, df_ibi = load_empatica_data(['tmp', 'acc', 'ibi'])

# 2. 构建特征提取配置
fc = FeatureCollection(
    MultipleFeatureDescriptors(
          functions=[np.min, np.mean, np.std, ss.skew, ss.kurtosis],
          series_names=["TMP", "ACC_x", "ACC_y", "IBI"],
          windows=["15min", "30min"],
          strides="15min",
    )
)

# 3. 提取特征
fc.calculate(data=[df_tmp, df_acc, df_ibi], approve_sparsity=True)

注意,特征提取是在具有不同采样率的多变量数据上进行的。

信号采样率
df_tmp["TMP"]4Hz
df_acc["ACC_x", "ACC_y", "ACC_z" ]32Hz
df_ibi["IBI"]不规则采样

处理

文档中的工作示例

为什么选择tsflex?✨

  • 灵活性:
  • 高效性:
  • 直观性:
    • 保持数据的序列索引
    • 特征提取构建可解释的输出列名
    • 直观的API
  • 对序列数据的假设很少:
    • 对采样率没有假设
    • 能够处理多变量异步数据
      即具有模态间小时间偏移的数据
  • 高级功能:

¹ 这些集成在集成示例笔记本中有展示。

未来工作 🔨

  • 为处理和特征提取集成scikit-learn
    注意:正在sklearn集成分支上积极开发。
  • 支持时间序列分段(暴露底层的步进滚动功能)- 查看此问题
  • 支持多索引数据框

=> 另请参阅增强问题

贡献 👪

我们很高兴看到您的贡献以进一步增强tsflex
有关如何贡献的更多说明,请参阅此指南

引用我们的包

如果您在科学出版物中使用tsflex,我们将非常感谢您引用我们:

@article{vanderdonckt2021tsflex,
    author = {Van Der Donckt, Jonas and Van Der Donckt, Jeroen and Deprost, Emiel and Van Hoecke, Sofie},
    title = {tsflex: flexible time series processing \& feature extraction},
    journal = {SoftwareX},
    year = {2021},
    url = {https://github.com/predict-idlab/tsflex},
    publisher={Elsevier}
}

论文链接:https://www.sciencedirect.com/science/article/pii/S2352711021001904


👤 Jonas Van Der Donckt, Jeroen Van Der Donckt, Emiel Deprost

项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号