AlignerDtwDtai

class AlignerDtwDtai(use_c=False, window=None, max_dist=None, max_step=None, max_length_diff=None, penalty=None, psi=None, inner_dist='squared euclidean')

dtaidistance 时间规整对齐的 Aligner 接口。

直接接口到 dtaidistance.dtw_ndim.warping_path 和 dtaidistance.dtw_ndim.warping_path_fast。

这个距离涵盖了多变量数据和作为组成部分的任意标量距离。

参数:

use_c: bool, 可选, 默认=False

是否使用更快的 C 变体：True 表示使用 C，False 表示使用 Python。True 需要 dtaidistance 的 C 编译安装。

• 如果为 False，则使用 dtaidistance.dtw_ndim.distance_matrix。

• 如果为真，使用 dtaidistance.dtw_ndim.distance_matrix_fast。

窗口整数，可选，默认=无限

Sakoe Chiba 窗口宽度，从对角线到边界。只允许从两条对角线出发的最大偏移量小于此数值。因此，最大允许的扭曲，即序列1中的索引i和序列2中的索引j之间的差异，是 |i-j| < 2*窗口 + |len(s1) - len(s2)|。它包括对角线，这意味着通过设置 窗口=1 可以获得欧几里得距离。如果两个序列长度相等，这意味着出现在累积成本矩阵上的带宽为 2*窗口-1。在DTW的其他定义中，这个数字可能被称为窗口。

max_dist: float, 可选, 默认=无限

如果返回值将大于此值，则停止。

max_step: float, 可选, 默认=无限

不允许步长大于此值。如果在两个序列中的两个值之间的差异大于此值，即如果 |s1[i]-s2[j]| > max_step，则将该值替换为无穷大。

max_length_diff: int, 可选, 默认=无限

如果两个序列的长度差大于此值，则返回无穷大。

惩罚: float, 可选, 默认=0

如果应用压缩或扩展，则添加的惩罚

psi: 整数或4个整数的元组或无，可选，默认=无

Psi 松弛参数（忽略匹配的开始和结束）。如果 psi 是一个整数，它同时用于一对序列中两个序列的开始和结束松弛。如果 psi 是一个 4 元组，它被用作 (开始序列1, 结束序列1, 开始序列2, 结束序列2) 的 psi 松弛。对于循环序列很有用。

inner_dist: str, 或 sktime BasePairwiseTransformer, 默认值为”squared euclidean”

时间序列中两点之间的距离。

• 如果是字符串，必须是 ‘squared euclidean’（默认）或 ‘euclidean’ 之一。

• 如果使用估计器，必须遵循 sktime 的 BasePairwiseTransformer API。对于来自 scipy 的一系列距离，请参见 ScipyDist。

属性:

is_fitted

是否已调用 fit。

参考文献

[1]

H. Sakoe, S. Chiba, “Dynamic programming algorithm optimization for spoken word recognition,” IEEE Transactions on Acoustics, Speech and Signal Processing, vol. 26(1), pp. 43–49, 1978.

方法

check_is_fitted()	检查估计器是否已被拟合。
clone()	获取一个具有相同超参数的对象副本。
clone_tags(estimator[, tag_names])	从另一个估计器克隆标签作为动态覆盖。
create_test_instance([parameter_set])	如果可能，构造 Estimator 实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表及其名称的列表。
fit(X[, Z])	将给定的序列/序列进行拟合对齐。
get_aligned()	返回传递给 fit 的序列的对齐版本。
get_alignment()	返回传递给 fit 的序列/系列的排列（iloc 索引）。
get_alignment_loc()	返回传递给 fit 的序列/系列的排列（loc 索引）。
get_class_tag(tag_name[, tag_value_default])	获取类标签的值。
get_class_tags()	从类及其所有父类中获取类标签。
get_config()	获取 self 的配置标志
get_distance()	返回对齐的总体距离。
get_distance_matrix()	返回对齐的距离矩阵。
get_fitted_params([deep])	获取拟合参数。
get_param_defaults()	获取对象的参数默认值。
get_param_names([sort])	获取对象的参数名称。
get_params([deep])	获取此对象的参数值字典。
get_tag(tag_name[, tag_value_default, ...])	从估计器类获取标签值并动态覆盖标签。
get_tags()	从估计器类和动态标签覆盖中获取标签。
get_test_params([parameter_set])	对齐器的测试参数。
is_composite()	检查对象是否由其他 BaseObjects 组成。
load_from_path(serial)	从文件位置加载对象。
load_from_serial(serial)	从序列化的内存容器中加载对象。
reset()	将对象重置为初始化后的干净状态。
save([path, serialization_format])	将序列化的自身保存到类字节对象或 (.zip) 文件中。
set_config(**config_dict)	将配置标志设置为给定值。
set_params(**params)	设置此对象的参数。
set_random_state([random_state, deep, ...])	为 self 设置 random_state 伪随机种子参数。
set_tags(**tag_dict)	将动态标签设置为给定值。

classmethod get_test_params(parameter_set='default')

对齐器的测试参数。

check_is_fitted()

检查估计器是否已被拟合。

Raises:

NotFittedError

如果估计器尚未拟合。

clone()

获取一个具有相同超参数的对象副本。

克隆是一个在初始化后状态下的不同对象，没有共享引用。此函数等同于返回 self 的 sklearn.clone。

Raises:

如果克隆不符合规范，由于 __init__ 存在错误，将引发 RuntimeError。

注释

如果成功，值等于 type(self)(**self.get_params(deep=False))。

clone_tags(estimator, tag_names=None)

从另一个估计器克隆标签作为动态覆盖。

参数:

估计器继承自 BaseEstimator 的估计器

标签名称str 或 str 列表, 默认 = None

要克隆的标签名称。如果为 None，则使用估计器中的所有标签作为 tag_names。

返回:

自我

自我引用。

注释

通过在 tag_set 中设置来自估计器的标签值，改变对象状态为 self 中的动态标签。

classmethod create_test_instance(parameter_set='default')

如果可能，构造 Estimator 实例。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

实例使用默认参数的类实例

注释

get_test_params 可以返回字典或字典列表。此函数获取 get_test_params 返回的第一个或单个字典，并使用该字典构建对象。

classmethod create_test_instances_and_names(parameter_set='default')

创建所有测试实例的列表及其名称的列表。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试。如果没有为某个值定义特殊参数，将返回 “default” 集。

返回:

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

名称list of str, 与 objs 长度相同

第 i 个元素是测试中第 i 个 obj 实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}

fit(X, Z=None)

将给定的序列/序列进行拟合对齐。

状态变化：

将状态更改为“已拟合”。

写给自己：

将 self._is_fitted 标志设置为 True。分别将 X 和 Z 存储到 self._X 和 self._Z 中。设置以 “_” 结尾的拟合模型属性。

参数:

X长度为 n 的 pd.DataFrame (Series) 列表

系列对齐的集合

Z带有 n 行的 pd.DataFrame，可选

元数据，Z 的第 i 行对应于 X 的第 i 个元素

get_aligned()

返回传递给 fit 的序列的对齐版本。

行为：返回传递给 fit 的 X 中未对齐序列的对齐版本

模型应处于拟合状态，拟合的模型参数从自身读取

状态要求：

需要状态为“已拟合”。

在 self 中的访问：

以“_”结尾的拟合模型属性。self._is_fitted

返回:

X_aligned_list: 按顺序排列的 pd.DataFrame 列表

长度为 n，对应于传递给拟合的 X 的索引，第 i 个元素被重新索引，X[i] 的对齐版本

get_alignment()

返回传递给 fit 的序列/系列的排列（iloc 索引）。

行为：返回传递给 fit 的序列 X 的对齐方式

模型应处于拟合状态，拟合的模型参数从自身读取

状态要求：

需要状态为“已拟合”。

在 self 中的访问：

以“_”结尾的拟合模型属性。self._is_fitted

返回:

对齐格式的 pd.DataFrame，列名为 ‘ind’+str(i)，其中 i 为整数

cols 包含 X[i] 的 iloc 索引映射到对齐坐标的对齐坐标

get_alignment_loc()

返回传递给 fit 的序列/系列的排列（loc 索引）。

行为：返回传递给 fit 的序列 X 的对齐方式

模型应处于拟合状态，拟合的模型参数从自身读取

状态要求：

需要状态为“已拟合”。

在 self 中的访问：

以“_”结尾的拟合模型属性。self._is_fitted

返回:

对齐格式的 pd.DataFrame，列名为 ‘ind’+str(i)，其中 i 为整数

cols 包含 X[i] 的 loc 索引，映射到对齐的坐标以进行对齐

classmethod get_class_tag(tag_name, tag_value_default=None)

获取类标签的值。

不返回在实例上定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

参数:

标签名称str

标签值的名称。

tag_value_default任何

如果未找到标签，则使用默认/回退值。

返回:

标签值

在 self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()

从类及其所有父类中获取类标签。

从 _tags 类属性中检索标签：值对。不返回在实例上通过 set_tags 或 clone_tags 定义的动态标签信息。

返回:

collected_tagsdict

类标签名称字典：标签值对。通过嵌套继承从 _tags 类属性中收集。

get_config()

获取 self 的配置标志

返回:

config_dictdict

配置名称 : 配置值对的字典。从 _config 类属性通过嵌套继承收集，然后是 _config_dynamic 对象属性的任何覆盖和新标签。

get_distance()

返回对齐的总体距离。

行为：返回与对齐相对应的总距离

并非所有对齐器都会返回或实现这个（可选的）

状态要求：

需要状态为“已拟合”。

在 self 中的访问：

以“_”结尾的拟合模型属性。self._is_fitted

返回:

distance: float - 传递给 fit 的 X 的所有元素之间的总距离

get_distance_matrix()

返回对齐的距离矩阵。

行为：返回对齐距离的成对距离矩阵

并非所有对齐器都会返回或实现这个（可选的）

状态要求：

需要状态为“已拟合”。

在 self 中的访问：

以“_”结尾的拟合模型属性。self._is_fitted

返回:

distmat: 一个 (n x n) 的 np.array 浮点数数组，其中 n 是传递给 fit 的 X 的长度

[i,j] 项是 X[i] 和 X[j] 之间的对齐距离，传递给 fit

get_fitted_params(deep=True)

获取拟合参数。

状态要求：

需要状态为“已拟合”。

参数:

深度bool, 默认=True

是否返回组件的拟合参数。

• 如果为 True，将返回此对象的参数名称 : 值的字典，包括可拟合组件的拟合参数（= 值为 BaseEstimator 的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的拟合参数。

返回:

fitted_params带有字符串键的字典

拟合参数的字典，paramname : paramvalue 键值对包括：

• always: 此对象的所有拟合参数，通过 get_param_names 获取的值是该键对应的拟合参数值，属于此对象

• 如果 deep=True，还包括组件参数的键/值对，组件参数被索引为 [componentname]__[paramname]，所有 componentname 的参数都以其值作为 paramname 出现。

• 如果 deep=True，还包含任意层级的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等。

classmethod get_param_defaults()

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]

键是 cls 中所有在 __init__ 中定义了默认值的参数，值是 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

排序bool, 默认=True

是否按字母顺序返回参数名称（True），或者按它们在类 __init__ 中出现的顺序返回（False）。

返回:

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

深度bool, 默认=True

是否返回组件的参数。

• 如果为 True，将返回此对象的参数名称 : 值的字典，包括组件的参数（= 值为 BaseObject 的参数）。

• 如果为 False，将返回此对象的参数名称 : 值的字典，但不包括组件的参数。

返回:

参数带有字符串键的字典

参数的字典，paramname : paramvalue 键值对包括：

• 总是：此对象的所有参数，通过 get_param_names 获取的值是该键的参数值，此对象的值始终与构造时传递的值相同。

• 如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [组件名称]__[参数名称]，所有 组件名称 的参数都以其值作为 参数名称 出现。

• 如果 deep=True，还包含任意级别的组件递归，例如，[componentname]__[componentcomponentname]__[paramname]，等等。

get_tag(tag_name, tag_value_default=None, raise_error=True)

从估计器类获取标签值并动态覆盖标签。

参数:

标签名称str

要检索的标签名称

tag_value_default任何类型，可选；默认=None

如果未找到标签，则使用默认/回退值

raise_error布尔

当未找到标签时是否引发 ValueError

返回:

标签值任何

self 中 tag_name 标签的值。如果未找到，如果 raise_error 为 True，则返回错误，否则返回 tag_value_default。

Raises:

如果 raise_error 为 True，即如果 tag_name 不在其中，则引发 ValueError。

self.get_tags().keys()

get_tags()

从估计器类和动态标签覆盖中获取标签。

返回:

collected_tagsdict

标签名称 : 标签值对的字典。从 _tags 类属性通过嵌套继承收集，然后是 _tags_dynamic 对象属性的任何覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 组成。

复合对象是一个包含对象的对象，作为参数。在实例上调用，因为这可能因实例而异。

返回:

composite: bool

一个对象是否有任何参数的值是 BaseObjects。

property is_fitted

是否已调用 fit。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

串行ZipFile(path).open(“object”) 的结果

返回:

反序列化自身，结果输出到 path，通过 cls.save(path)

classmethod load_from_serial(serial)

从序列化的内存容器中加载对象。

参数:

serial : cls.save(None) 输出的第一个元素输出结果的第一个元素

返回:

反序列化自身，结果输出为 serial，来自 cls.save(None)

reset()

将对象重置为初始化后的干净状态。

使用 reset，使用当前的超参数值（get_params 的结果）运行 __init__。这将移除任何对象属性，除了：

• 超参数 = __init__ 的参数

• 包含双下划线的对象属性，即字符串”__”

类和对象方法，以及类属性也不受影响。

返回:

自身

类的实例重置为干净的初始化后状态，但保留当前的超参数值。

注释

等同于 sklearn.clone 但覆盖了 self。在调用 self.reset() 之后，self 的值等于 type(self)(**self.get_params(deep=False))

save(path=None, serialization_format='pickle')

将序列化的自身保存到类字节对象或 (.zip) 文件中。

行为：如果 path 为 None，则返回内存中的序列化自身；如果 path 是一个文件位置，则将自身存储在该位置作为一个 zip 文件。

保存的文件是包含以下内容的zip文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身。此类使用默认的序列化（pickle）。

参数:

路径无或文件位置（字符串或路径）

如果为 None，则将 self 保存到内存对象中；如果为文件位置，则将 self 保存到该文件位置。如果：

path=”estimator” 那么会在当前工作目录下生成一个 zip 文件 estimator.zip。path=”/home/stored/estimator” 那么会在 /home/stored/ 目录下存储一个 zip 文件 estimator.zip。

serialization_format: str, default = “pickle”

用于序列化的模块。可用的选项是 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖项。

返回:

如果 path 为 None - 内存中序列化的 self

如果 path 是文件位置 - 带有文件引用的 ZipFile

set_config(**config_dict)

将配置标志设置为给定值。

参数:

config_dictdict

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示：

显示str, “diagram” (默认), 或 “text”

jupyter 内核如何显示 self 的实例

• “diagram” = html 盒子图表示

• “text” = 字符串打印输出

print_changed_onlybool, 默认=True

是否仅打印与默认值不同的自身参数（False），或打印所有参数名称和值（False）。不嵌套，即仅影响自身，不影响组件估计器。

警告str, “on” (默认), 或 “off”

是否引发警告，仅影响来自 sktime 的警告

• “on” = 将引发来自 sktime 的警告

• “off” = 不会从 sktime 引发警告

后端:并行str, 可选, 默认=”None”

在广播/矢量化时用于并行化的后端，可以是以下之一

• “None”: 按顺序执行循环，简单的列表推导

• “loky”、“multiprocessing” 和 “threading”：使用 joblib.Parallel

• “joblib”：自定义和第三方 joblib 后端，例如 spark

• “dask”: 使用 dask，需要在环境中安装 dask 包

backend:parallel:paramsdict, 可选, 默认={} (未传递参数)

传递给并行化后端的额外参数作为配置。有效键取决于 backend:parallel 的值：

• “None”: 没有额外参数，backend_params 被忽略

• “loky”, “multiprocessing” 和 “threading”: 默认 joblib 后端 任何有效的 joblib.Parallel 键都可以在这里传递，例如 n_jobs，除了 backend 直接由 backend 控制。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 默认值。

• “joblib”：自定义和第三方 joblib 后端，例如 spark。任何 joblib.Parallel 的有效键都可以在这里传递，例如 n_jobs，在这种情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。

• “dask”: 任何 dask.compute 的有效键都可以传递，例如 scheduler

返回:

self引用自身。

注释

更改对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)

设置此对象的参数。

该方法适用于简单估计器以及复合对象。对于复合对象，即包含其他对象的对象，可以使用参数键字符串 <component>__<parameter> 来访问组件 <component> 中的 <parameter>。如果这使得引用明确，例如没有两个组件的参数名称是 <parameter>，那么也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**参数dict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果唯一存在于 get_params 键中，__ 后缀可以别名为完整字符串。

返回:

self引用自身（在参数设置之后）

set_random_state(random_state=None, deep=True, self_policy='copy')

为 self 设置 random_state 伪随机种子参数。

通过 estimator.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为由 random_state 派生的整数。这些整数通过 sample_dependent_seed 的链哈希采样得到，并保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 estimator 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件估计器。

注意：即使 self 没有 random_state，或者没有任何组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 估计器，即使它们没有 random_state 参数。

参数:

random_stateint, RandomState 实例或 None, 默认=None

伪随机数生成器，用于控制随机整数的生成。传递 int 以在多次函数调用中获得可重复的输出。

深度bool, 默认=True

是否在子估计器中设置随机状态。如果为 False，则仅设置 self 的 random_state 参数（如果存在）。如果为 True，则还会在子估计器中设置 random_state 参数。

self_policystr, 可选值为 {“copy”, “keep”, “new”}, 默认值为 “copy”

• “复制”：estimator.random_state 被设置为输入的 random_state

• “保持” : estimator.random_state 保持不变

• “new” : estimator.random_state 被设置为一个新随机状态，

源自输入 random_state，并且通常与它不同

返回:

self自我引用

set_tags(**tag_dict)

将动态标签设置为给定值。

参数:

**标签字典dict

标签名称：标签值对的字典。

返回:

自我

自我引用。

注释

通过在 tag_dict 中设置标签值，将对象状态更改为 self 中的动态标签。