SFA

class SFA(word_length=8, alphabet_size=4, window_size=12, norm=False, binning_method='equi-depth', anova=False, bigrams=False, skip_grams=False, remove_repeat_words=False, levels=1, lower_bounding=True, save_words=False, keep_binning_dft=False, return_pandas_data_series=False, use_fallback_dft=False, typed_dict=False, n_jobs=1)

符号傅里叶近似 (SFA) 变换器。

概述：对于每个系列：

在每个窗口上对序列运行滑动窗口

使用DFT缩短序列，将缩短的序列离散化为由MFC设定的区间，从这些离散值中形成一个词

默认情况下，SFA 为每个系列生成一个单词（window_size=0），如果使用窗口，则形成单词计数直方图。

参数:

word_length: int, 默认值 = 8

缩短窗口到单词的长度（使用PAA）

alphabet_size: int, 默认 = 4

每个值离散化的值的数量

window_size: 整数, 默认 = 12

滑动窗口的大小。输入序列长度以进行整个序列变换。

norm: 布尔值, 默认 = False

通过去掉第一个傅里叶系数来对单词进行均值归一化

binning_method: {“等深”, “等宽”, “信息增益”, “kmeans”},

default=”equi-depth”

用于推导断点的分箱方法。

anova: 布尔值, 默认 = False

如果为 True，则通过单向 ANOVA 检验进行傅里叶系数选择。如果为 False，则选择第一个傅里叶系数。仅在给出标签时适用。

bigrams: 布尔值, 默认 = False

是否创建SFA词的大二元组

skip_grams: 布尔值, 默认 = False

是否创建SFA词的跳字

remove_repeat_words: boolean, default = False

是否使用数量减少（默认 False）

levels: int, default = 1

空间金字塔层数

save_words: boolean, default = False

是否保存每个系列生成的单词（默认 False）

return_pandas_data_series: boolean, default = False

设置为 true 以返回 Pandas Series 作为 transform 的结果。设置为 true 会显著降低速度，但这是自动测试所必需的。

n_jobs: int, 可选, 默认 = 1

transform 并行运行的作业数量。-1 表示使用所有处理器。

属性:

词语: []

断点: = []

num_insts = 0

num_atts = 0

参考文献

[1]

Schäfer, Patrick, 和 Mikael Högqvist. “SFA: 一种符号傅里叶近似”

在高维数据集中进行相似性搜索的索引。” 第15届扩展数据库技术国际会议论文集。2012年。

方法

bag_to_string(bag)	将一组SFA单词转换为字符串。
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，构造估计器实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表及其名称列表。
fit(X[, y])	使用 MCB 或 IGB 计算单词断点。
fit_transform(X[, y])	拟合数据，然后进行转换。
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。
inverse_transform(X[, y])	对 X 进行逆变换并返回逆变换后的版本。
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, ...])	设置 random_state 伪随机种子参数为 self。
set_tags(**tag_dict)	将动态标签设置为给定值。
transform(X[, y])	转换 X 并返回一个转换后的版本。
update(X[, y, update_params])	使用 X 更新转换器，可选地使用 y。
word_list(word)	查找整数列表以获取输入单词。
word_list_typed(word)	查找整数列表以获取输入单词。

fit(X, y=None)

使用 MCB 或 IGB 计算单词断点。

参数:

Xpandas DataFrame 或 3d numpy 数组，输入时间序列。

y类数组, 目标值（可选，忽略）。

返回:

self: 对象

bag_to_string(bag)

将一组SFA单词转换为字符串。

word_list(word)

查找整数列表以获取输入单词。

word_list_typed(word)

查找整数列表以获取输入单词。

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 self 中的动态标签。

classmethod create_test_instance(parameter_set='default')

如果可能，构造估计器实例。

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 obj 的第 i 个实例的名称，约定为 {cls.__name__}-{i}，如果存在多个实例，否则为 {cls.__name__}。

fit_transform(X, y=None)

拟合数据，然后进行转换。

将转换器拟合到 X 和 y，并返回 X 的转换版本。

状态变化：

将状态更改为“已拟合”。

写入自身: _is_fitted : 标志设置为 True。 _X : X，如果 remember_data 标签为 True，则为 X 的强制复制。

在可能的情况下，可能通过引用强制转换为内部类型或与 update_data 兼容的类型。

模型属性（以“_”结尾）：依赖于估计器

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列

要拟合变换的数据，以及要变换的数据。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

• Series 类型 = 单个时间序列。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

• Panel 类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame

• Hierarchical 类型 = 时间序列的分层集合。pd.DataFrame 具有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime兼容的数据格式中的数据，默认=None

附加数据，例如，转换的标签。如果 self.get_tag("requires_y") 是 True，则必须在 fit 中传递，不是可选的。有关所需格式的详细信息，请参阅类文档字符串。

返回:

X 的转换版本

类型取决于 X 的类型和 scitype:transform-output 标签：

X | tf-output | 返回类型 |

|----------|————–|------------------------| | Series | Primitives | pd.DataFrame (1-行) | | Panel | Primitives | pd.DataFrame | | Series | Series | Series | | Panel | Series | Panel | | Series | Panel | Panel |

返回的实例对应于 X 中的实例

表中未列出的组合目前不支持

明确地，带有示例：

如果 X 是 Series`（例如，`pd.DataFrame），并且 transform-output 是 Series

然后返回的是一个相同m类型的单个 Series 示例：去趋势化一个单个序列

如果 X 是 Panel`（例如，`pd-multiindex）并且 transform-output 是 Series

然后返回的是与 X 实例数量相同的 Panel

(转换器应用于每个输入的 Series 实例)

示例：面板中的所有序列都分别进行了去趋势处理

如果 X 是 Series 或 Panel 并且 transform-output 是 Primitives

然后返回的是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差。

如果 X 是 Series 并且 transform-output 是 Panel

那么返回的是一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是第 i 个窗口在 X 上运行的结果。

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

类标签名称的字典：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 True，将返回一个包含参数名称和值的字典，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: 此对象的所有拟合参数，如通过 get_param_names 获取的值是该键的拟合参数值，属于此对象

• 如果 deep=True，还包含组件参数的键/值对，组件的参数被索引为 [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_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（= BaseObject 值的参数）。

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

返回:

参数带有字符串键的字典

参数字典，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 [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。

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

当标签未找到时是否引发 ValueError

返回:

标签值任何

在 self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时返回一个错误，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。

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。如果没有为某个值定义特殊参数，将返回 "default" 集。

返回:

参数dict 或 dict 的列表，默认 = {}

创建类的测试实例的参数 每个字典都是构造一个“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

inverse_transform(X, y=None)

对 X 进行逆变换并返回逆变换后的版本。

目前假设只有带有标签的变压器

“scitype:transform-input”=”Series”, “scitype:transform-output”=”Series”,

具有 inverse_transform。

状态要求：

需要状态为“已拟合”。

访问自身中的内容：

• 以“_”结尾的拟合模型属性。

• self.is_fitted 必须为 True

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列

要拟合转换的数据。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

• Series 类型 = 单个时间序列。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

• Panel 类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame

• Hierarchical 类型 = 时间序列的分层集合。pd.DataFrame 具有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime兼容的数据格式中的数据，默认=None

附加数据，例如，转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

X 的逆变换版本

与 X 类型相同，并符合 mtype 格式规范

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中的第一个元素

返回:

反序列化自身，产生输出 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() 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 保存到内存中的对象；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创建一个名为 estimator.zip 的压缩文件。path=”/home/stored/estimator” 那么会在 /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。可用的选项是 “pickle” 和 “cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回:

如果 path 是 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，为以下之一

• “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

后端:并行:参数dict, 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

输入转换str，可以是“on”（默认）、“off”，或有效的 mtype 字符串

控制输入检查和转换，用于 _fit、_transform、_inverse_transform、_update

• "on" - 执行输入检查和转换

• "off" - 在将数据传递给内部方法之前，不进行输入检查和转换

• 有效的 mtype 字符串 - 假设输入指定了 mtype，进行转换但不做检查

输出转换str, 可以是 “on”, “off”, 有效的 mtype 字符串

控制 _transform 和 _inverse_transform 的输出转换

• "on" - 如果 input_conversion 是 “on”，则执行输出转换

• "off" - _transform 和 _inverse_transform 的输出直接返回

• 有效的 mtype 字符串 - 输出被转换为指定的 mtype

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_params(**params)

设置此对象的参数。

该方法适用于简单的估计器以及复合对象。参数键字符串 <component>__<parameter> 可用于复合对象，即包含其他对象的对象，以访问组件 <component> 中的 <parameter>。如果没有 <component>__，字符串 <parameter> 也可以使用，前提是这使得引用明确，例如，没有两个组件的参数名称都是 <parameter>。

参数:

**参数dict

BaseObject 参数，键必须是 <组件>__<参数> 字符串。如果 get_params 键中唯一，__ 后缀可以别名完整字符串。

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')

设置 random_state 伪随机种子参数为 self。

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，并且通常与其不同

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。

transform(X, y=None)

转换 X 并返回一个转换后的版本。

状态要求：

需要状态为“已拟合”。

访问自身中的内容：

• 以“_”结尾的拟合模型属性。

• self.is_fitted 必须为 True

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列

要转换的数据。

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

• Series 类型 = 单个时间序列。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

• Panel 类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame

• Hierarchical 类型 = 时间序列的分层集合。pd.DataFrame 具有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime兼容的数据格式中的数据，默认=None

附加数据，例如，转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

X 的转换版本

类型取决于 X 的类型和 scitype:transform-output 标签：

	transform
X	-output	返回类型
Series	基本元素	pd.DataFrame (1行)
Panel	基本元素	pd.DataFrame
Series	Series	Series
Panel	Series	Panel
Series	Panel	Panel

返回的实例对应于 X 中的实例

表中未列出的组合目前不支持

明确地，带有示例：

如果 X 是 Series`（例如，`pd.DataFrame），并且 transform-output 是 Series

然后返回的是一个相同m类型的单个 Series 示例：去趋势化一个单个序列

如果 X 是 Panel`（例如，`pd-multiindex）并且 transform-output 是 Series

然后返回的是与 X 实例数量相同的 Panel

(转换器应用于每个输入的 Series 实例)

示例：面板中的所有序列都分别进行了去趋势处理

如果 X 是 Series 或 Panel 并且 transform-output 是 Primitives

然后返回的是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差。

如果 X 是 Series 并且 transform-output 是 Panel

那么返回的是一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是第 i 个窗口在 X 上运行的结果。

update(X, y=None, update_params=True)

使用 X 更新转换器，可选地使用 y。

状态要求：

需要状态为“已拟合”。

访问自身中的内容：

• 以“_”结尾的拟合模型属性。

• self.is_fitted 必须为 True

写给自己：

• 以“_”结尾的拟合模型属性。

• 如果 remember_data 标签为 True，则通过 update_data 将 X 中的值写入 self._X。

参数:

X : 以 sktime 兼容数据容器格式表示的时间序列时间序列

数据更新转换

sktime 中的单个数据格式被称为 mtype 规范，每个 mtype 实现了一个抽象的 scitype。

• Series 类型 = 单个时间序列。pd.DataFrame、pd.Series 或 ``np.ndarray``（1D 或 2D）

• Panel 类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (实例, 时间)，3D np.ndarray (实例, 变量, 时间)，list 类型的 Series pd.DataFrame

• Hierarchical 类型 = 时间序列的分层集合。pd.DataFrame 具有 3 个或更多级别的行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅关于 mtype 的术语表。有关使用方法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime兼容的数据格式中的数据，默认=None

附加数据，例如，转换的标签。某些转换器需要这些数据，详情请参阅类文档字符串。

返回:

self估计器的拟合实例