如何解决Python中每个即将到来的样本的时间序列分类
我目前正在研究Python中的时间序列分类,到目前为止,我已经尝试过sktime库。据我了解,进行预测的大多数方法都需要一个时间序列:
prediction (a time series) = class_label
我的问题是:如何搜索和应用算法,在进行预测时,它们需要在时间t0处有一个数据点,而不是一个完整的时间序列?喜欢:
prediction (data at time t0) = class_label
解决方法
单个时间点的数据与多个时间点的数据之间的唯一区别是,单个时间点数据与多个时间点数据相同,但只有1个条目。
从这个意义上说,任何处理多点的函数也可以通过提供包含1个具有该时间点数据的条目的数组来处理单点。
假设您有单个时间点的一些数据,该数据是任何形状的数组a0
,例如,您有形状为a0
的一维数组(10,)
,即具有10个要素。
然后,您可以将该数组转换为包含多个时间点数据的2D数组,只需将其转换为形状(1,10)
即可,这是通过短语法a_mult = a0[None]
对numpy数组完成的,或者使用相同的方法结果是a_mult = np.expand_dims(a0,0)
,只是语法更长。
将a0
转换为a_mult
之后,您可以在以后接受多个时间点数据的任何函数中使用a_mult
。下面的示例代码:
import numpy as np
a0 = np.array([1,2,3,4,5])
print(a0.shape,a0)
a_mult = a0[None]
print(a_mult.shape,a_mult)
# Now call your multi-point function f_predict(a_mult)
输出
(5,) [1 2 3 4 5]
(1,5) [[1 2 3 4 5]]
对于相反的情况也可以做类似的事情,即,当您有多个时间点数据,并且想要将它们提供给仅接受一个时间点的函数时。这也可以通过索引数组并进行循环来轻松实现,例如如果您有a_mult
个具有多个点的数组,则要将其转换为单点,只需执行a0 = a_mult[k]
,其中k
是从0
到number_of_time_points - 1
的整数。 k
可以通过常规的Python循环进行迭代。下面的示例代码:
import numpy as np
a_mult = np.array([
[1,5],[6,7,8,9,10],])
print(a_mult.shape)
print(a_mult)
f_predict = lambda x: np.sum(x) # Simple function,just does a sum of elements
res = np.zeros((a_mult.shape[0],),dtype = np.int64)
for k in range(a_mult.shape[0]):
a0 = a_mult[k]
# Now call your single-point function f_predict
# and store result into res
res[k] = f_predict(a0)
print(res)
# Same as in code above can be achieved by next short syntax
res = np.array([f_predict(a_mult[k]) for k in range(a_mult.shape[0])])
print(res)
输出
(2,5)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
[15 40]
[15 40]
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。