⌛ 欢迎使用aeon

aeon是一个用于时间序列学习的开源工具包。它与scikit-learn兼容，提供最新的时间序列机器学习算法，并包含用于预测和分类等学习任务的一系列经典技术。

我们致力于提供广泛的时间序列算法库，包括最新进展，使用numba提供高效实现，并与其他时间序列包接口，以提供单一框架进行算法比较。

最新的aeon版本是v0.11.0。你可以在这里查看完整的更新日志。

我们的网页和文档可在https://aeon-toolkit.org获取。

以下模块仍被视为实验性质，弃用政策不适用于它们：

anomaly_detection, benchmarking, segmentation, similarity_search, testing, transformations/series, visualisation

概览
CI/CD
代码
社区

⚙️ 安装

aeon需要Python 3.9或更高版本。我们的完整安装指南可在文档中找到。

安装aeon最简单的方法是通过pip：

pip install aeon

某些估计器需要安装额外的包。如果你想安装带有所有可选依赖项的完整包，可以使用：

pip install aeon[all_extras]

从GitHub源码安装的说明可以在这里找到。

⏲️ 开始使用

所有 aeon 软件包的最佳入门指南是我们的入门指南。

以下我们提供了一个如何使用 aeon 进行预测、分类和聚类的简单示例。

分类

值得一提的是，示例中使用的分类器可以轻松替换为回归器，标签也可以替换为数值目标。这种灵活性允许在保持 API 一致性的同时，无缝适应不同的任务和数据集。

import numpy as np
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

X = [[[1, 2, 3, 4, 5, 5]],  # 3D 数组示例（单变量）
     [[1, 2, 3, 4, 4, 2]],  # 三个样本，一个通道，六个时间序列长度
     [[8, 7, 6, 5, 4, 4]]]
y = ['low', 'low', 'high']  # 每个样本的类别标签
X = np.array(X)
y = np.array(y)

clf = KNeighborsTimeSeriesClassifier(distance="dtw")
clf.fit(X, y)  # 在训练数据上拟合分类器
>>> KNeighborsTimeSeriesClassifier()

X_test = np.array(
    [[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
y_pred = clf.predict(X_test)  # 对新数据进行类别预测
>>> ['low' 'high' 'high']

聚类

import numpy as np
from aeon.clustering import TimeSeriesKMeans

X = np.array([[[1, 2, 3, 4, 5, 5]],  # 3D 数组示例（单变量）
     [[1, 2, 3, 4, 4, 2]],  # 三个样本，一个通道，六个时间序列长度
     [[8, 7, 6, 5, 4, 4]]])

clu = TimeSeriesKMeans(distance="dtw", n_clusters=2)
clu.fit(X)  # 在训练数据上拟合聚类器
>>> TimeSeriesKMeans(distance='dtw', n_clusters=2)

clu.labels_ # 获取训练聚类标签
>>> array([0, 0, 1])

X_test = np.array(
    [[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
clu.predict(X_test)  # 为新数据分配聚类
>>> array([1, 0, 0])

💬 在哪里提问

类型	平台
🐛 错误报告	GitHub 问题追踪器
✨ 功能请求和想法	GitHub 问题追踪器和 Slack
💻 使用问题	GitHub 讨论区和 Slack
💬 一般讨论	GitHub 讨论区和 Slack
🏭 贡献和开发	Slack