时间序列特征提取库

直观的时间序列特征提取

本仓库托管了Python包TSFEL - 时间序列特征提取库。TSFEL帮助研究人员在时间序列上进行探索性特征提取任务，无需大量编程effort。

用户可以通过两种方法与TSFEL交互：

在线方式

无需安装，依赖Google Colab和Google Sheets提供的用户界面

离线方式

高级用户可以通过安装Python包充分利用TSFEL的潜力

pip install tsfel

包含大量特征

TSFEL针对时间序列进行了优化，可自动提取统计、时间、频谱和分形域的65多种不同特征。

功能

• 直观、快速部署和可复现：交互式UI用于特征选择和自定义
• 计算复杂度评估：在提取特征之前估计计算effort
• 全面的文档：每种特征提取方法都有详细说明
• 单元测试：我们为每个特征提供单元测试
• 易于扩展：添加新特征很简单，我们鼓励你贡献自定义特征

入门

以下代码从示例数据集文件中提取所有可用特征。

import tsfel
import pandas as pd

# 加载数据集
df = pd.read_csv("Dataset.txt")

# 获取预定义的特征配置文件以提取所有可用特征
cfg = tsfel.get_features_by_domain()

# 提取特征
X = tsfel.time_series_features_extractor(cfg, df)

可用特征

统计域

时间域

*由于执行时间较其他特征长，默认禁用。

频谱域

分形域

分形域特征通常应用于相对较长的信号以捕捉有意义的模式，通常无需事先将信号分割为较短的窗口。因此，在默认特征配置文件中禁用了此域。

引用

使用TSFEL时，请引用以下出版物：

Barandas, Marília and Folgado, Duarte, et al. "TSFEL: Time Series Feature Extraction Library." SoftwareX 11 (2020)。https://doi.org/10.1016/j.softx.2020.100456

致谢

我们要感谢"面向工业4.0的全面集成和预测制造系统平台"项目提供的经济支持。该项目由葡萄牙2020计划共同资助，属于COMPETE 2020（竞争力和国际化运营计划）框架，并获得欧盟欧洲区域发展基金（ERDF）的支持，项目代码为POCI-01-0247-FEDER-038436。