【说明】
应大家要求，我把第二部分文档提供出来，这部分文档是由我的前同事Thomas整理的，大家对于完整的md文件可以参见我们的GitHub项目https://github.com/SimaShanhe/tsfresh-feature-translation。
max_langevin_fixed_point(x, r, m)
- 译：langevin模型的最大定点
- 数学解释：从
多项式中估计
，它已经能适应Langevin模型的确定性动力学
这被下述的文章描述：
Friedrich et al. (2000): Physics Letters A 271, p. 217-222 Extracting model equations from experimental data
对于短时间序列，这个方法高度依赖于参数。
- 参数：
-
(pandas.Series)计算时序特征的数据对象
-
(int)适合估计动力学固定点的多项式的阶数
-
(float)用于平均的分位数
-
- 返回：最大的确定性动力学定点（float浮点型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.max_langevin_fixed_point(ts, m, r)
mean(x)
- 译：计算x序列的平均值
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.mean(ts)
mean_abs_change(x)
- 译：时间序列连续两点值的变化的绝对值的平均值
- 返回后续时间序列值之间的绝对差值的平均值：
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.mean_abs_change(ts)
mean_change(x)
- 译：时间序列连续两点值的变化的平均值
- 返回后续时间序列值之间的差值的平均值：
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.mean_change(ts)
mean_second_derivative_central（x）
- 译：二阶导数的中心的均值
- 返回二阶导数的中心近似的平均值：
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.mean_second_derivative_central(ts)
median(x)
- 译：计算
- 返回
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.median(ts)
minimum(x)
- 译：计算
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.minimum(ts)
number_crossing_m(x, m)
- 译：计算
- 参数：
-
-
-
- 返回：这个特征的值（int整数型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.number_crossing_m(ts, m)
number_cwt_peaks(x, n)
- 译：此特征计算器搜索
- 参数：
-
-
(int)考虑的最大宽度
-
- 返回：这个特征的值（整数型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.number_cwt_peaks(ts, n)
number_peaks(x, n)
- 译：计算时间序列x中至少支持n的峰值数。支持n的峰值被定义为x的子序列，其中出现值大于其左边和右边的n个邻居。
因此在序列中:
>>> x = [3,0,0,4,0,0,13]
4是支持1和2的一个峰值，因为在子序列中：
>>> [0,4,0] >>> [0,0,4,0,0]
4仍然是最大值。但是在这里，4不是支持3的峰值，因为13是4右边的第三个邻居并且比4大。
- 参数：
-
-
-
- 返回：这个特征的值（整数型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.number_cwt_peaks(ts, n)
partial_autocorrelation(x, param)
- 译：计算给定滞后处的部分自相关函数的值。
- 计算公式：时间序列{
}的滞后k部分自相关等于
和
适应中间变量{
}([1])的部分相关。根据[2]之后，它可以定义为：
（a）和（b）
是可以由OLS拟合的AR（k-1）模型。请注意，在（a）中，回归是对过去的值进行预测
。而在（b）中，未来的值用于计算过去的值
。在[1]中说“对于AR（p），部分自相关[
]对于
将是非零且对于
将为零"。使用此属性，它用于确定AR-过程的滞后。
参考：
[1] Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
[2] https://onlinecourses.science.psu.edu/stat510/node/62
- 参数：
-
- 参数（list列表）包含多个字典{“lag”: val}，用整数（val）显示返回的滞后值
-
- 返回：这个特征的值（float浮点型）
- 函数类型：组合器
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.partial_autocorrelation(ts, param)
percentage_of_reoccurring_datapoints_to_all_datapoints(x)
- 译：返回多次出现在时间系列中的唯一值的百分比
- 计算公式：出现多于一次的不同值的个数 / 不同值的个数
这意味着该百分比标准化为惟一值的数量，而不是重复出现的值占所有值的百分比。 - 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.percentage_of_reoccurring_datapoints_to_all_datapoints(ts)
percentage_of_reoccurring_values_to_all_values(x)
- 译：返回多次出现在时间序列中的唯一值的比率
- 计算公式：出现多于一次的数据点的个数 / 所有数据点的个数
这意味着这个比率与时间序列中数据点的数量是标准化的，相比the percentage_of_reoccurring_datapoints_to_all_datapoints - 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.percentage_of_reoccurring_values_to_all_values(ts)
quantile(x, q)
- 译：计算
的
- 参数：
-
-
(float)计算中位数
-
- 返回：这个特征的值（浮点型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.quantile(ts, n)
range_count(x, min, max)
- 译：计算区间[min，max]内的观测值的个数。
- 参数：
-
- min(int or float)范围包含下限
- max(int or float)范围包含上限
-
- 返回：范围内值的个数（整型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.range_count(ts, min, max)
ratio_beyond_r_sigma(x, r)
- 译：偏离x的平均值大于r * std(x)(so r sigma)的值的比率。
- 参数：
- 返回：这个特征的值（浮点型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ae = tsf.feature_extraction.feature_calculators.ratio_beyond_r_sigma(ts, r)
ratio_value_number_to_time_series_length(x)
- 译：如果时间序列中的所有值仅出现一次，则返回1，如果不是这样，则小于1。原则上，它只是返回：
- 计算公式：单一的值 / 所有的值
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.ratio_value_number_to_time_series_length(ts)
sample_entropy(x)
- 译：计算和返回序列
参考：
[1] http://en.wikipedia.org/wiki/Sample_Entropy
[2] https://www.ncbi.nlm.nih.gov/pubmed/10843903?dopt=Abstract - 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.sample_entropy(ts)
set_property(key, value)
该方法返回一个装饰器，该装饰器将函数的属性键设置为value。
skewness(x)
- 译：返回x的样本偏度（使用调整后的Fisher-Pearson标准化力矩系数G1计算）
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.skewness(ts)
spkt_welch_density(x, param)
- 译：该特征计算器估计不同频率下时间序列x的交叉功率谱密度。为此，首先将时间序列从时域转移到频域。
特征计算器返回不同频率的功率谱。 - 参数：
-
- param(list)包括多个字典{“coeff”: x}(
-
- 返回：不同的特征值(pandas.Series)
- 函数类型：组合器
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) # 数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.spkt_welch_density(ts, param)
standard_deviation(x)
- 译：返回
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.standard_deviation(ts)
sum_of_reoccurring_data_points(x)
- 译：返回时间序列中出现超过一次的所有数据点的个数总和
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.standard_deviation(ts)
sum_of_reoccurring_values(x)
- 译：返回时间序列中出现超过一次的所有数据点的值总和
- 参数：
- 返回：这个特征的值（float浮点数）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.sum_of_reoccurring_values(ts)
sum_values(x)
- 译：计算时间序列值的总和
- 参数：
- 返回：这个特征的值（bool布尔型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.sum_values(ts)
symmetry_looking(x, param)
- 译：布尔变量标识
- 参数：
-
-
-
- 返回：这个特征的值（bool布尔型）
- 函数类型：组合器
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.symmetry_looking(ts, r)
time_reversal_asymmetry_statistic(x, lag)
- 译：这个函数计算下式的值：
它是：
其中是均值且
是滞后算子。它在[1]中被提出，作为一个从序列中提出的有用的特征。
参考：
[1] Fulcher, B.D., Jones, N.S. (2014). Highly comparative feature-based time-series classification. Knowledge and Data Engineering, IEEE Transactions on 26, 3026–3037. - 参数：
-
-
(int)这个值应该被特征计算使用
-
- 返回：这个特征的值（float浮点型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.time_reversal_asymmetry_statistic(ts, lag)
value_count(x, value)
- 译：计算时间序列
出现的次数
- 参数：
-
-
-
- 返回：计数(int整型)
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.value_count(ts, value)
variance(x)
- 译：返回序列
- 参数：
- 返回：这个特征的值（float浮点型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.variance(ts)
variance_larger_than_standard_deviation(x)
- 译：布尔变量，表示x的方差是否大于其标准差。是表示x的方差大于1
- 参数：
- 返回：这个特征的值（bool布尔型）
- 函数类型：简单
- 代码示例：
#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd
ts = pd.Series(x) #数据x假设已经获取
ae = tsf.feature_extraction.feature_calculators.variance_larger_than_standard_deviation(ts)
网友评论