Python时间序列分析库介绍：statsmodels、tslearn、tssearch、tsfresh

时间序列分析在金融和医疗保健等领域至关重要，在这些领域，理解随时间变化的数据模式至关重要。在本文中，我们将介绍四个主要的Python库——statmodels、tslearn、tssearch和tsfresh——每个库都针对时间序列分析的不同方面进行了定制。这些库为从预测到模式识别的任务提供了强大的工具，使它们成为各种应用程序的宝贵资源。

我们使用来自Kaggle的数据集，通过加速度计数为各种身体活动进行分析。这些活动被分为12个不同的类别，每个类别对应一个特定的身体动作，如站立、坐着、行走，或从事更有活力的活动，如慢跑和骑自行车。每个活动都记录了一分钟的持续时间，提供了丰富的时间序列数据源。

用于此分析的库有:

1. # statsmodels
2. from statsmodels.tsa.seasonal import seasonal_decompose
3. from statsmodels.tsa.stattools import adfuller
4. from statsmodels.graphics.tsaplots import plot_acf
6. #tslearn
7. from tslearn.barycenters import dtw_barycenter_averaging
9. # tssearch
10. from tssearch import get_distance_dict, time_series_segmentation, time_series_search, plot_search_distance_result
12. # tsfresh
13. from tsfresh import extract_features
14. from tsfresh.feature_selection.relevance import calculate_relevance_table
15. from tsfresh.feature_extraction import EfficientFCParameters
16. from tsfresh.utilities.dataframe_functions import impute

Statsmodels

从statmodels库中，两个基本函数在理解从x, y和z方向收集的加速度数据的特征方面起着关键作用。

adfuller函数是确定时间序列信号平稳性的有力工具。通过对我们的数据进行Augmented Dickey-Fuller检验，可以确定加速度信号是否表现出平稳的行为，这是许多时间序列分析技术的基本要求。这个测试帮助我们评估数据是否随时间而变化。

1. def activity_stationary_test(dataframe, sensor, activity):
2. dataframe.reset_index(drop=True)
3. adft = adfuller(dataframe[(dataframe['Activity'] == activity)][sensor], autolag='AIC')
4. output_df = pd.DataFrame({'Values':[adft[0], adft[1], adft[4]['1%']], 'Metric':['Test Statistics', 'p-value', 'critical value (1%)']})
5. print('Statistics of {} sensor:\n'.format(sensor), output_df)
6. print()
7. if (adft[1] < 0.05) & (adft[0] < adft[4]['1%']):
8. print('The signal is stationary')
9. else:
10. print('The signal is non-stationary')

seasonal_decomposition函数提供了对时间序列数据结构的宝贵见解。它将时间序列分解为三个不同的组成部分:趋势、季节性和残差。这种分解使我们能够可视化和理解加速度数据中的潜在模式和异常。

1. def activity_decomposition(dataframe, sensor, activity):
3. dataframe.reset_index(drop=True)
4. data = dataframe[(dataframe['Activity'] == activity)][sensor]
5. decompose = seasonal_decompose(data, model='additive', extrapolate_trend='freq', period=50)
6. fig = decompose.plot()
7. fig.set_size_inches((12, 7))
8. fig.axes[0].set_title('Seasonal Decomposition Plot')
9. fig.axes[3].set_xlabel('Indices')
10. plt.show()

https://avoid.overfit.cn/post/ce023e947e0246c09a10a3d71f0181c5