時(shí)間序列挖掘分析：tsfresh特征中文（二）

【說(shuō)明】

應(yīng)大家要求究驴，我把第二部分文檔提供出來(lái)磺送，這部分文檔是由我的前同事Thomas整理的旅掂，大家對(duì)于完整的md文件可以參見(jiàn)我們的GitHub項(xiàng)目https://github.com/SimaShanhe/tsfresh-feature-translation沈跨。

max_langevin_fixed_point(x, r, m)

譯：langevin模型的最大定點(diǎn)
數(shù)學(xué)解釋：從 $argmax_x{h(x)=0}$ 多項(xiàng)式中估計(jì) $h(x)$ ，它已經(jīng)能適應(yīng)Langevin模型的確定性動(dòng)力學(xué)

$(x)(t)=h[x(t)]+R(N)(0,1))$

這被下述的文章描述：
Friedrich et al. (2000): Physics Letters A 271, p. 217-222 Extracting model equations from experimental data
對(duì)于短時(shí)間序列家制，這個(gè)方法高度依賴于參數(shù)饼拍。

參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $m$ (int)適合估計(jì)動(dòng)力學(xué)固定點(diǎn)的多項(xiàng)式的階數(shù)
- $r$ (float)用于平均的分位數(shù)
返回：最大的確定性動(dòng)力學(xué)定點(diǎn)（float浮點(diǎn)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.max_langevin_fixed_point(ts, m, r)

mean(x)

譯：計(jì)算x序列的平均值
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.mean(ts)

mean_abs_change(x)

譯：時(shí)間序列連續(xù)兩點(diǎn)值的變化的絕對(duì)值的平均值
返回后續(xù)時(shí)間序列值之間的絕對(duì)差值的平均值：
$\frac{1}{n}{\sum_{i=1,...,n-1}}|x_{i+1}-x_{i}|)$
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.mean_abs_change(ts)

mean_change(x)

譯：時(shí)間序列連續(xù)兩點(diǎn)值的變化的平均值
返回后續(xù)時(shí)間序列值之間的差值的平均值：
$\frac{1}{n}{\sum_{i=1,...,n-1}}x_{i+1}-x_{i})$
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.mean_change(ts)

mean_second_derivative_central（x）

譯：二階導(dǎo)數(shù)的中心的均值
返回二階導(dǎo)數(shù)的中心近似的平均值：
$\frac{1}{n}{\sum_{i=1,...,n-1}}{\frac{1}{2}(x_{i+2}-2·x_{i+1}+x_i)})$
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.mean_second_derivative_central(ts)

median(x)

譯：計(jì)算 $x$ 序列的中位數(shù)
返回 $x$ 序列的中位數(shù)
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.median(ts)

minimum(x)

譯：計(jì)算 $x$ 序列的最小值
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.minimum(ts)

number_crossing_m(x, m)

譯：計(jì)算 $m$ 上的 $x$ 的交叉數(shù)渣磷。交叉數(shù)被定義為兩個(gè)連續(xù)值，其中第一個(gè)值小于 $m$ 而下一個(gè)值更大罢猪，反之亦然近她。如果將 $m$ 設(shè)置為零，則將獲得零交叉的數(shù)量膳帕。
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $m$ (float)交叉項(xiàng)的閾值
返回：這個(gè)特征的值（int整數(shù)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.number_crossing_m(ts, m)

number_cwt_peaks(x, n)

譯：此特征計(jì)算器搜索 $x$ 中的不同峰值粘捎。為此， $x$ 由ricker小波平滑备闲，寬度范圍從1到n晌端。此特征計(jì)算器返回在足夠?qū)挾确秶鷥?nèi)出現(xiàn)的峰值數(shù)量捅暴，并具有足夠高的信噪比（SNR）恬砂。
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $n$ (int)考慮的最大寬度
返回：這個(gè)特征的值（整數(shù)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.number_cwt_peaks(ts, n)

number_peaks(x, n)

譯：計(jì)算時(shí)間序列x中至少支持n的峰值數(shù)。支持n的峰值被定義為x的子序列蓬痒，其中出現(xiàn)值大于其左邊和右邊的n個(gè)鄰居泻骤。

因此在序列中:

>>> x = [3,0,0,4,0,0,13]

4是支持1和2的一個(gè)峰值，因?yàn)樵谧有蛄兄校?/p>

>>> [0,4,0]
>>> [0,0,4,0,0]

4仍然是最大值梧奢。但是在這里狱掂，4不是支持3的峰值，因?yàn)?3是4右邊的第三個(gè)鄰居并且比4大亲轨。

參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $n$ (int)峰的支持?jǐn)?shù)
返回：這個(gè)特征的值（整數(shù)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.number_cwt_peaks(ts, n)

partial_autocorrelation(x, param)

譯：計(jì)算給定滯后處的部分自相關(guān)函數(shù)的值趋惨。
計(jì)算公式：時(shí)間序列{ ${x_t,t=1...T}$ }的滯后k部分自相關(guān)等于 $x_t$ 和 $x_{t-k}$ 適應(yīng)中間變量{ $x_{t-1},...,x_{t-k+1}$ }([1])的部分相關(guān)。根據(jù)[2]之后惦蚊，它可以定義為：

$\alpha_k=\frac{Cov(x_t,x_{t-k}|x_{t-1},...,x_{t-k+1})}{\sqrt{Var(x_t|x_{t-1},...,x_{t-k+1})Var(x_{t-k}|x_{t-1},...,x_{t-k+1})}})$

（a） $x_t=f(x_{t-1},...,x_{t-k+1})$ 和（b） $x_{t-k}=f(x_{t-1},...,x_{t-k+1})$ 是可以由OLS擬合的AR（k-1）模型器虾。請(qǐng)注意，在（a）中蹦锋，回歸是對(duì)過(guò)去的值進(jìn)行預(yù)測(cè) $x_t$ 兆沙。而在（b）中，未來(lái)的值用于計(jì)算過(guò)去的值 $x_{t-k}$ 莉掂。在[1]中說(shuō)“對(duì)于AR（p）葛圃，部分自相關(guān)[ $\alpha_k$ ]對(duì)于 $k<=p$ 將是非零且對(duì)于 $k>p$ 將為零"。使用此屬性憎妙，它用于確定AR-過(guò)程的滯后库正。
參考：
[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

參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- 參數(shù)（list列表）包含多個(gè)字典{“l(fā)ag”: val}，用整數(shù)（val）顯示返回的滯后值
返回：這個(gè)特征的值（float浮點(diǎn)型）
函數(shù)類型：組合器
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.partial_autocorrelation(ts, param)

percentage_of_reoccurring_datapoints_to_all_datapoints(x)

譯：返回多次出現(xiàn)在時(shí)間系列中的唯一值的百分比
計(jì)算公式：出現(xiàn)多于一次的不同值的個(gè)數(shù) / 不同值的個(gè)數(shù)
這意味著該百分比標(biāo)準(zhǔn)化為惟一值的數(shù)量厘唾，而不是重復(fù)出現(xiàn)的值占所有值的百分比褥符。
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.percentage_of_reoccurring_datapoints_to_all_datapoints(ts)

percentage_of_reoccurring_values_to_all_values(x)

譯：返回多次出現(xiàn)在時(shí)間序列中的唯一值的比率
計(jì)算公式：出現(xiàn)多于一次的數(shù)據(jù)點(diǎn)的個(gè)數(shù) / 所有數(shù)據(jù)點(diǎn)的個(gè)數(shù)
這意味著這個(gè)比率與時(shí)間序列中數(shù)據(jù)點(diǎn)的數(shù)量是標(biāo)準(zhǔn)化的，相比the percentage_of_reoccurring_datapoints_to_all_datapoints
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.percentage_of_reoccurring_values_to_all_values(ts)

quantile(x, q)

譯：計(jì)算 $x$ 的q分位數(shù)阅嘶。這是大于 $x$ 的有序值的前 $q\%$ 的 $x$ 值属瓣。
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $q$ (float)計(jì)算中位數(shù)
返回：這個(gè)特征的值（浮點(diǎn)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.quantile(ts, n)

range_count(x, min, max)

譯：計(jì)算區(qū)間[min载迄，max]內(nèi)的觀測(cè)值的個(gè)數(shù)。
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- min(int or float)范圍包含下限
- max(int or float)范圍包含上限
返回：范圍內(nèi)值的個(gè)數(shù)（整型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.range_count(ts, min, max)

ratio_beyond_r_sigma(x, r)

譯：偏離x的平均值大于r * std(x)(so r sigma)的值的比率抡蛙。
參數(shù)： $x$ (iterable)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（浮點(diǎn)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/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)

譯：如果時(shí)間序列中的所有值僅出現(xiàn)一次护昧，則返回1，如果不是這樣粗截，則小于1惋耙。原則上，它只是返回：
計(jì)算公式：?jiǎn)我坏闹?/ 所有的值
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.ratio_value_number_to_time_series_length(ts)

sample_entropy(x)

譯：計(jì)算和返回序列 $x$ 的樣本熵
參考：
[1] http://en.wikipedia.org/wiki/Sample_Entropy
[2] https://www.ncbi.nlm.nih.gov/pubmed/10843903?dopt=Abstract
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.sample_entropy(ts)

set_property(key, value)

該方法返回一個(gè)裝飾器熊昌，該裝飾器將函數(shù)的屬性鍵設(shè)置為value绽榛。

skewness(x)

譯：返回x的樣本偏度（使用調(diào)整后的Fisher-Pearson標(biāo)準(zhǔn)化力矩系數(shù)G1計(jì)算）
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.skewness(ts)

spkt_welch_density(x, param)

譯：該特征計(jì)算器估計(jì)不同頻率下時(shí)間序列x的交叉功率譜密度。為此婿屹，首先將時(shí)間序列從時(shí)域轉(zhuǎn)移到頻域灭美。
特征計(jì)算器返回不同頻率的功率譜。
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- param(list)包括多個(gè)字典{“coeff”: x}( $x$ 為整型)
返回：不同的特征值(pandas.Series)
函數(shù)類型：組合器
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x) # 數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.spkt_welch_density(ts, param)

standard_deviation(x)

譯：返回 $x$ 的標(biāo)準(zhǔn)偏差
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.standard_deviation(ts)

sum_of_reoccurring_data_points(x)

譯：返回時(shí)間序列中出現(xiàn)超過(guò)一次的所有數(shù)據(jù)點(diǎn)的個(gè)數(shù)總和
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.standard_deviation(ts)

sum_of_reoccurring_values(x)

譯：返回時(shí)間序列中出現(xiàn)超過(guò)一次的所有數(shù)據(jù)點(diǎn)的值總和
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)數(shù)）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.sum_of_reoccurring_values(ts)

sum_values(x)

譯：計(jì)算時(shí)間序列值的總和
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（bool布爾型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.sum_values(ts)

symmetry_looking(x, param)

譯：布爾變量標(biāo)識(shí) $x$ 的分布是否對(duì)稱昂利。這是一個(gè)案例如果：
$|mean(X)-median(X)|<r*[max(X)-min(X)])$
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $r$ (float)對(duì)比的范圍的比例
返回：這個(gè)特征的值（bool布爾型）
函數(shù)類型：組合器
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.symmetry_looking(ts, r)

time_reversal_asymmetry_statistic(x, lag)

譯：這個(gè)函數(shù)計(jì)算下式的值：
$\frac{1}{n-2lag}{\sum_{i=0}^{n-2lag}}x^2_{i+2·lag}·x_{i+lag}-x_{i+lag}·x^2_i)$
它是：
$E[L^2(X)^2·L(X)-L(X)·X^2])$
其中 $E$ 是均值且 $L$ 是滯后算子届腐。它在[1]中被提出，作為一個(gè)從序列中提出的有用的特征蜂奸。
參考：
[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.
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $lag$ (int)這個(gè)值應(yīng)該被特征計(jì)算使用
返回：這個(gè)特征的值（float浮點(diǎn)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.time_reversal_asymmetry_statistic(ts, lag)

value_count(x, value)

譯：計(jì)算時(shí)間序列 $x$ 中 $value$ 出現(xiàn)的次數(shù)
參數(shù)：
- $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
- $value$ (int or float)被計(jì)算的值
返回：計(jì)數(shù)(int整型)
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.value_count(ts, value)

variance(x)

譯：返回序列 $x$ 的方差
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（float浮點(diǎn)型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.variance(ts)

variance_larger_than_standard_deviation(x)

譯：布爾變量犁苏，表示x的方差是否大于其標(biāo)準(zhǔn)差。是表示x的方差大于1
參數(shù)： $x$ (pandas.Series)計(jì)算時(shí)序特征的數(shù)據(jù)對(duì)象
返回：這個(gè)特征的值（bool布爾型）
函數(shù)類型：簡(jiǎn)單
代碼示例：

#!/usr/bin/python3
import tsfresh as tsf
import pandas as pd

ts = pd.Series(x)  #數(shù)據(jù)x假設(shè)已經(jīng)獲取
ae = tsf.feature_extraction.feature_calculators.variance_larger_than_standard_deviation(ts)

最后編輯于：2019.06.25 09:05:02

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

人面猴
序言：七十年代末扩所，一起剝皮案震驚了整個(gè)濱河市围详，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌祖屏，老刑警劉巖助赞，帶你破解...
沈念sama閱讀 212,542評(píng)論 6贊 493
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場(chǎng)離奇詭異赐劣，居然都是意外死亡嫉拐，警方通過(guò)查閱死者的電腦和手機(jī)，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 90,596評(píng)論 3贊 385
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門魁兼，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)婉徘，“玉大人，你說(shuō)我怎么就攤上這事咐汞「呛簦” “怎么了？”我有些...
開(kāi)封第一講書(shū)人閱讀 158,021評(píng)論 0贊 348
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵化撕，是天一觀的道長(zhǎng)几晤。經(jīng)常有香客問(wèn)我，道長(zhǎng)植阴，這世上最難降的妖魔是什么蟹瘾？我笑而不...
開(kāi)封第一講書(shū)人閱讀 56,682評(píng)論 1贊 284
?港島之戀（遺憾婚禮）
正文為了忘掉前任圾浅，我火速辦了婚禮，結(jié)果婚禮上憾朴，老公的妹妹穿的比我還像新娘狸捕。我一直安慰自己，他們只是感情好众雷，可當(dāng)我...
茶點(diǎn)故事閱讀 65,792評(píng)論 6贊 386
惡毒庶女頂嫁案：這布局不是一般人想出來(lái)的
文/花漫我一把揭開(kāi)白布灸拍。她就那樣靜靜地躺著，像睡著了一般砾省。火紅的嫁衣襯著肌膚如雪鸡岗。梳的紋絲不亂的頭發(fā)上，一...
開(kāi)封第一講書(shū)人閱讀 49,985評(píng)論 1贊 291
城市分裂傳說(shuō)
那天编兄，我揣著相機(jī)與錄音轩性，去河邊找鬼。笑死翻诉，一個(gè)胖子當(dāng)著我的面吹牛炮姨，可吹牛的內(nèi)容都是我干的捌刮。我是一名探鬼主播碰煌，決...
沈念sama閱讀 39,107評(píng)論 3贊 410
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開(kāi)眼，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼绅作！你這毒婦竟也來(lái)了芦圾？” 一聲冷哼從身側(cè)響起，我...
開(kāi)封第一講書(shū)人閱讀 37,845評(píng)論 0贊 268
萬(wàn)榮殺人案實(shí)錄
序言：老撾萬(wàn)榮一對(duì)情侶失蹤俄认，失蹤者是張志新（化名）和其女友劉穎个少，沒(méi)想到半個(gè)月后，有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體眯杏，經(jīng)...
沈念sama閱讀 44,299評(píng)論 1贊 303
?護(hù)林員之死
正文獨(dú)居荒郊野嶺守林人離奇死亡夜焦，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點(diǎn)故事閱讀 36,612評(píng)論 2贊 327
?白月光啟示錄
正文我和宋清朗相戀三年，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了岂贩。大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片茫经。...
茶點(diǎn)故事閱讀 38,747評(píng)論 1贊 341
活死人
序言：一個(gè)原本活蹦亂跳的男人離奇死亡，死狀恐怖萎津，靈堂內(nèi)的尸體忽然破棺而出卸伞，到底是詐尸還是另有隱情，我是刑警寧澤锉屈，帶...
沈念sama閱讀 34,441評(píng)論 4贊 333
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布荤傲，位于F島的核電站，受9級(jí)特大地震影響颈渊，放射性物質(zhì)發(fā)生泄漏遂黍。R本人自食惡果不足惜终佛，卻給世界環(huán)境...
茶點(diǎn)故事閱讀 40,072評(píng)論 3贊 317
男人毒藥：我在死后第九天來(lái)索命
文/蒙蒙一、第九天我趴在偏房一處隱蔽的房頂上張望雾家。院中可真熱鬧查蓉，春花似錦、人聲如沸榜贴。這莊子的主人今日做“春日...
開(kāi)封第一講書(shū)人閱讀 30,828評(píng)論 0贊 21
一樁弒父案，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽(yáng)唬党。三九已至鹃共，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間驶拱，已是汗流浹背霜浴。一陣腳步聲響...
開(kāi)封第一講書(shū)人閱讀 32,069評(píng)論 1贊 267
情欲美人皮
我被黑心中介騙來(lái)泰國(guó)打工，沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留蓝纲，地道東北人阴孟。一個(gè)月前我還...
沈念sama閱讀 46,545評(píng)論 2贊 362
代替公主和親
正文我出身青樓，卻偏偏與公主長(zhǎng)得像税迷，于是被迫代替她去往敵國(guó)和親永丝。傳聞我的和親對(duì)象是個(gè)殘疾皇子，可洞房花燭夜當(dāng)晚...
茶點(diǎn)故事閱讀 43,658評(píng)論 2贊 350