管道

class Pipeline(steps=None)

图管道的实现。

这个类是一个广义的图管道。广义意味着它可以包含预测器、分类器等。图管道意味着结构不是线性的。即，管道的每个元素可以是多个其他步骤的输入，而不仅仅是一个后继者。

fit(y, X, *args) - 通过在所有 sktime 估计器上运行 fit 来改变状态

管道中的转换器。请注意，根据添加到管道中的 sktime 估计器和转换器，需要不同的关键字。例如，如果预测器是管道的一部分，则应提供预测范围（fh）。

predict(X, *args) - 在管道中的估计器上调用预测

并在管道中的其他 skobjects 上转换或应用指定的方法。根据添加到管道的 skobject 类型，您可能需要传递额外的参数来进行预测。

predict_interval(X, fh), predict_quantiles(X, fh) - 类似于 predict(X, fh),

用 predict_interval 或 predict_quantiles 替换 predict。

predict_var, predict_proba - 目前不支持 get_params, set_params 使用 sklearn 兼容的嵌套接口 add_step(skobject, name, edges, method, **kwargs) - 将一个 skobject 添加到

管道并将其名称设置为标识符，步骤通过边指定为输入步骤（前驱）。因此，可以使用method关键字参数重写应调用的方法。进一步提供的kwargs直接提供给skobject，如果它被调用。

参数:

参数步骤指定管道步骤的字典列表。进一步

可以通过使用 add_step 方法添加步骤。字典需要以下键：

• skobject: sktime 对象，应添加的 skobject。

  管道

• name: str, 创建的步骤的名称

• edges: dict, 一个字符串键到字符串值的字典。用于标识

  predcessors。edges字典的键指定了输出应传递给fit/predict/..的哪个参数（字典的值指定了predecessors的名称）。

• method: str, 一个可选参数，用于确定方法

  当管道调用提供的 skobject 时，应该执行。如果未指定，管道将根据在管道上调用的方法（例如，predict, transform, ..）选择方法。

• kwargs: 额外的 kwargs 是提供给函数的参数。

  skobject 如果在调用 fit/predict/.. 时。

属性:

属性 id_to_true_id一个键和值均为整数的字典，

将 Python 对象 ID 映射到 skobject ID。

属性 id_to_obj一个带有整数键和弱引用的字典

作为值的skobjects。这些值是提供给 add_step 方法的skobjects的弱引用。我们存储弱引用以避免在用户删除对对象的所有引用时重新分配对象的id。

属性 model_dict一个以整数为键、skobject 为值的字典。

这是提供给 add_step 的 skobjects 的 id 与克隆的 skobject 之间的映射。

属性计数器integer, 计算管道中的步骤数。

属性步骤一个字典，其键为字符串，值为步骤对象。

关键字是当一个 skobject 被添加到管道时指定的名称。

属性关键字参数一个带有字符串键和对象值的字典。存储所有关键字参数。

这些是在管道中指定并可能传递给 skobjects 的。

参考文献

[1]

@article{heidrich2021pywatts, title={pyWATTS: 时间序列的Python工作流自动化工具}, author={Heidrich, Benedikt 和 Bartschat, Andreas 和 Turowski, Marian 和}

Neumann, Oliver 和 Phipps, Kaleb 和 Meisenbacher, Stefan 和 Schmieder, Kai 和 Ludwig, Nicole 和 Mikut, Ralf 和 Hagenmeyer, Veit},

journal={arXiv 预印本 arXiv:2106.10157}, year={2021}

}

示例

>>> from sktime.classification.distance_based import KNeighborsTimeSeriesClassifier
>>> from sktime.datasets import load_arrow_head, load_longley
>>> from sktime.split import temporal_train_test_split
>>> from sktime.forecasting.naive import NaiveForecaster
>>> from sktime.pipeline import Pipeline
>>> from sktime.transformations.compose import Id
>>> from sktime.transformations.series.boxcox import BoxCoxTransformer
>>> from sktime.transformations.series.exponent import ExponentTransformer

示例 1：使用广义非顺序管道实现的变压器简单顺序管道

>>> y, X = load_longley()
>>> general_pipeline = Pipeline()
>>> for step in [
...     {"skobject": ExponentTransformer(), "name": "exp", "edges": {"X": "X"}},
...     {"skobject": BoxCoxTransformer(), "name": "box", "edges": {"X": "exp"}},
...     ]:
...     general_pipeline = general_pipeline.add_step(**step)
>>> general_pipeline.fit(X=X) 
>>> result_general = general_pipeline.transform(X) 

示例 2：使用广义分类的顺序管道

非顺序管道实现

>>> X, y = load_arrow_head(split="train", return_X_y=True)
>>> general_pipeline = Pipeline()
>>> for step in [
...     {"skobject": ExponentTransformer(), "name": "exp", "edges": {"X": "X"}},
...     {"skobject": KNeighborsTimeSeriesClassifier(),
...      "name": "knnclassifier",
...      "edges": {"X": "exp", "y": "y"}}]:
...     general_pipeline = general_pipeline.add_step(**step)
>>> general_pipeline.fit(X=X, y=y) 
>>> result_general = general_pipeline.predict(X) 

示例 3：使用广义非顺序管道实现的外生特征预测管道

>>> y, X = load_longley()
>>> y_train, y_test, X_train, X_test = temporal_train_test_split(y, X)
>>> general_pipeline = Pipeline()
>>> for step in [
...     {"skobject": ExponentTransformer(), "name": "exp", "edges": {"X": "X"}},
...     {"skobject": NaiveForecaster(),
...      "name": "SARIMAX",
...      "edges": {"X": "exp", "y": "y"}}]:
...     general_pipeline = general_pipeline.add_step(**step)
>>> general_pipeline.fit(y=y_train, X=X_train, fh=[1, 2, 3, 4]) 
>>> result_general = general_pipeline.predict(X=X_test) 

致谢 这个图形化管道受到pyWATTS的启发，pyWATTS由卡尔斯鲁厄理工学院的自动化与应用信息学研究所（IAI）开发。该实现得到了IAI的支持，作者benHeid由HelmholtzAI资助。此外，我们还要感谢@ViktorKaz，他的独立管道设计与此类似。

方法

add_step(skobject, name, edges[, method])	向管道中添加一个新的 skobject。
check_is_fitted()	检查估计器是否已被拟合。
clone()	获取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, y])	将图表管道拟合到训练数据。
fit_transform(X[, y])	将图管道拟合到训练数据，然后调用转换。
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_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])	获取管道的参数。
get_tag(tag_name[, tag_value_default, ...])	从估计器类获取标签值和动态标签覆盖。
get_tags()	从估计器类和动态标签覆盖中获取标签。
get_test_params([parameter_set])	返回估计器的测试参数设置。
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。
predict([X, y])	执行预测。
predict_interval(X[, y])	执行区间预测。
predict_quantiles(X[, y])	执行分位数预测。
predict_residuals(X[, y])	执行残差预测。
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)	设置此估计器的参数。
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。
transform(X[, y])	在图管道中的每个元素上调用变换。

get_params(deep=True)

获取管道的参数。

参数:

深度布尔值，可选，默认=True

如果为真，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:

参数字典，参数名称映射到它们的值。

set_params(**params)

设置此估计器的参数。

有效的参数键可以通过 get_params() 列出。注意，如果提供了 steps，其他参数将被忽略。

参数:

参数字典，参数名称映射到它们的值。

返回:

selfPipeline, 这个估计器

add_step(skobject, name, edges, method=None, **kwargs)

向管道中添加一个新的 skobject。

此方法更改了管道的结构。它会查找克隆的skobject是否已经存在。如果不存在，则克隆skobject。之后，使用克隆的skobject创建一个新的管道步骤，并提供名称。此新步骤的输入由edges字典指定。

参数:

skobject: ``sktime`` 对象，应添加到流水线中的 skobject

name: str, 创建的步骤的名称

edges: dict, 一个以字符串为键、字符串为值的字典。用于标识

predcessors. edges 字典的键指定到哪个参数

of fit/predict/.. 前驱的输出（字典的值指定前驱的名称）应被传递。

method: str, 一个可选参数，用于确定方法

当管道调用提供的 skobject 时，应该执行。如果未指定，管道将根据在管道上调用的方法（例如，predict, transform, ..）选择方法。

kwargs: 额外的 kwargs 是提供给 的参数

skobject 如果在调用 fit/predict/.. 时。

fit(X=None, y=None, **kwargs)

将图表管道拟合到训练数据。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

注释

通过创建一个拟合模型来改变状态，该模型更新管道中skobjects中以“_”结尾的属性，并将is_fitted标志设置为True。

fit_transform(X, y=None, **kwargs)

将图管道拟合到训练数据，然后调用转换。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform

注释

通过创建一个拟合模型来改变状态，该模型更新管道中skobjects中以“_”结尾的属性，并将is_fitted标志设置为True。

transform(X, y=None, **kwargs)

在图管道中的每个元素上调用变换。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform

predict(X=None, y=None, **kwargs)

执行预测。

即在图管道中的每个元素上调用 predict 或 transform。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform 或 predict

predict_interval(X, y=None, **kwargs)

执行区间预测。

即对图管道中的每个元素调用 predict、predict_interval 或 transform。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform、predict 或 predict_interval

predict_quantiles(X, y=None, **kwargs)

执行分位数预测。

即对图管道中的每个元素调用 predict、predict_quantiles 或 transform。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform、predict 或 predict_quantiles

predict_residuals(X, y=None, **kwargs)

执行残差预测。

即对图管道中的每个元素调用 predict、predict_residuals 或 transform。

参数:

Xsktime 兼容格式的时间序列，可选（默认=None）

外生时间序列以拟合

ysktime 兼容数据容器格式中的时间序列

要拟合管道的时序数据。

kwargs可能传递给 skobjects 的额外关键字参数

如果它们有一个参数对应于 kwargs 的一个键，则使用管道。

引发:

如果管道中的某个步骤未实现，则引发 MethodNotImplementedError

transform、predict 或 predict_residuals

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

参数集str, 默认值=”default”

要返回的测试参数集的名称，用于测试中。如果没有为某个值定义特殊参数，将返回 "default" 集。目前没有为预测器保留的值。

返回:

参数字典或字典列表，默认 = {}

创建类的测试实例的参数 每个字典都是用于构造一个“有趣的”测试实例的参数，即 MyClass(**params) 或 MyClass(**params[i]) 创建一个有效的测试实例。create_test_instance 使用 params 中的第一个（或唯一一个）字典

check_is_fitted()

检查估计器是否已被拟合。

引发:

NotFittedError

如果估计器尚未拟合。

clone()

获取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。

引发:

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，将对象状态更改为动态标签。

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__}。

classmethod get_class_tag(tag_name, tag_value_default=None)

获取类标签的值。

不返回从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

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。不返回从实例中定义的动态标签（通过 set_tags 或 clone_tags 设置）的信息。

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_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。

• 如果为真，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（= BaseEstimator 值的参数）。

• 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: 该对象的所有拟合参数，通过 get_param_names 获取的值是该对象对应键的拟合参数值。

• 如果 deep=True，还包含组件参数的键/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，还包含任意级别的组件递归，例如 [componentname]__[componentcomponentname]__[paramname] 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_tag(tag_name, tag_value_default=None, raise_error=True)

从估计器类获取标签值和动态标签覆盖。

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布尔值

当未找到标签时是否引发 ValueError

返回:

tag_value任何

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

引发:

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。通过嵌套继承从 _tags 类属性中收集，然后从 _tags_dynamic 对象属性中覆盖和新标签。

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

一个对象是否具有任何值为 BaseObjects 的参数。

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 self。在调用 self.reset() 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 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” 则会在当前工作目录下生成一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 则会在 /home/stored/ 目录下存储一个名为 estimator.zip 的压缩文件。

serialization_format: str, default = “pickle”

用于序列化的模块。可用的选项有“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 - 内存中序列化的自身

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，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”: 默认的 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 的默认值。

• “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自我引用。

注释

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

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 的链哈希采样获得，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。传递整数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 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，

派生自输入 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。