<p align="center"> <a href="https://predict-idlab.github.io/tsflex"><img alt="tsflex" src="https://yellow-cdn.veclightyear.com/0a4dffa0/6e39f21c-807f-4898-a4e4-d30e73a3b3c3.png" width="66%"></a></p>

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

有用链接

• 论文
• 文档
• 示例（机器学习）笔记本

安装

	命令
pip	pip install tsflex
conda	conda 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！

<a href="https://predict-idlab.github.io/tsflex/features/#getting-started">特征提取</a>

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

<a href="https://predict-idlab.github.io/tsflex/processing/index.html#getting-started">处理</a>

文档中的工作示例

为什么选择tsflex？✨

• 灵活性:
  • 处理多变量/多模态时间序列
  • 多功能支持 => 集成了许多用于以下目的的包:
    • 处理（例如，scipy.signal, statsmodels.tsa）
    • 特征提取（例如，numpy, scipy.stats, antropy, nolds, seglearn¹, tsfresh¹, tsfel¹）
  • 特征提取支持多种步长和窗口大小
• 高效性:<br>
  • 基于视图的处理和特征提取操作 => 极低的内存峰值和快速执行时间<br>
    • 参见：特征提取基准可视化
• 直观性:<br>
  • 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<br>即具有模态间小时间偏移的数据
• 高级功能:
  • 特征选择后应用FeatureCollection.reduce以加快推理速度
  • 使用函数执行时间日志来发现处理和特征提取的瓶颈
  • 内置SeriesPipeline和FeatureCollection序列化
  • 时间序列分块

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<br> 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。<br> 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

---

<p align="center"> 👤 <i>Jonas Van Der Donckt, Jeroen Van Der Donckt, Emiel Deprost</i> </p>