.. -- mode: rst --

.. _scikit-learn: http://scikit-learn.org/stable/

.. _scikit-learn-contrib: https://github.com/scikit-learn-contrib

|Travis|_ |Pypi|_ |PythonVersion|_ |Coveralls|_ |Downloads|_

.. |Travis| image:: https://travis-ci.com/dmbee/seglearn.svg?branch=master .. _Travis: https://app.travis-ci.com/github/dmbee/seglearn

.. |Pypi| image:: https://badge.fury.io/py/seglearn.svg .. _Pypi: https://badge.fury.io/py/seglearn

.. |PythonVersion| image:: https://img.shields.io/pypi/pyversions/seglearn.svg .. _PythonVersion: https://img.shields.io/pypi/pyversions/seglearn.svg

.. |Coveralls| image:: https://coveralls.io/repos/github/dmbee/seglearn/badge.svg?branch=master&&service=github .. _Coveralls: https://coveralls.io/github/dmbee/seglearn?branch=master&service=github

.. |Downloads| image:: https://pepy.tech/badge/seglearn .. _Downloads: https://pepy.tech/project/seglearn

seglearn

seglearn 是一个用于机器学习时间序列或序列的 Python 包。它提供了一个集成的流程，用于分段、特征提取、特征处理和最终估计器。seglearn 为多变量时间序列及相关上下文（元）数据提供了灵活的方法，适用于分类、回归和预测问题。支持和示例包括使用经典机器学习和深度学习模型学习时间序列。它与 scikit-learn_ 兼容。

文档

安装文档、API 文档和示例可在文档_ 中找到。

.. _documentation: https://dmbee.github.io/seglearn/

依赖项

seglearn 已经在 Python 3.5、3.6 和 3.8 上进行了测试。依赖项要求如下：

* scipy(>=0.17.0)
* numpy(>=1.11.0)
* scikit-learn(>=0.21.3)

seglearn 现在也兼容 sklearn 1.0+

要运行示例，需要：

* matplotlib(>=2.0.0)
* keras (>=2.1.4) 用于神经网络示例
* pandas

要运行测试用例，需要：

* pytest

神经网络示例已在使用 tensorflow-gpu 后端的 keras 上进行测试，建议使用。

安装

seglearn-learn 目前可在 PyPi 仓库中获取，可通过 pip 安装：

pip install -U seglearn

或如果你使用 python3：

pip3 install -U seglearn

如果你更喜欢，可以克隆并运行 setup.py 文件。使用以下命令从 GitHub 获取副本并安装所有依赖项：

git clone https://github.com/dmbee/seglearn.git cd seglearn pip install .

或通过 pip 和 GitHub 安装：

pip install -U git+https://github.com/dmbee/seglearn.git

测试

安装后，你可以使用 `pytest` 从 seglearn 的根目录运行测试套件：

  python -m pytest

变更日志
----------

版本历史可查看 <https://dmbee.github.io/seglearn/change_log.html>。

开发
-----------

该项目的开发与 scikit-learn 社区保持一致。因此，你可以参考他们的开发指南 <http://scikit-learn.org/stable/developers>。

请在开发分支上提交新的拉取请求，并包含单元测试和示例以演示任何新功能/API 变化。

引用 seglearn

如果你在科学出版物中使用 seglearn，我们非常感谢引用以下论文：

@article{arXiv:1803.08118, author = {David Burns, Cari Whyne}, title = {Seglearn: A Python Package for Learning Sequences and Time Series}, journal = {arXiv}, year = {2018}, url = {https://arxiv.org/abs/1803.08118} }

如果你在科学出版物中使用 seglearn 测试数据，我们非常感谢引用以下论文：

@article{arXiv:1802.01489, author = {David Burns, Nathan Leung, Michael Hardisty, Cari Whyne, Patrick Henry, Stewart McLachlin}, title = {Shoulder Physiotherapy Exercise Recognition: Machine Learning the Inertial Signals from a Smartwatch}, journal = {arXiv}, year = {2018}, url = {https://arxiv.org/abs/1802.01489} }

seglearn 快速上手指南

环境准备

• 系统要求：Python 3.5/3.6/3.8
• 前置依赖：
  • scipy(>=0.17.0)
  • numpy(>=1.11.0)
  • scikit-learn(>=0.21.3)
  • matplotlib(>=2.0.0)
  • keras(>=2.1.4)
  • pandas
  • pytest

安装步骤

1. 使用国内镜像源安装：

   pip install -U seglearn -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   或使用python3：

   pip3 install -U seglearn -i https://pypi.tuna.tsinghua.edu.cn/simple
   

2. 从源码安装：

   git clone https://github.com/dmbee/seglearn.git
   cd seglearn
   pip install .
   

基本使用

from seglearn.pipeline import Pipeline
from seglearn.segment import Segmenter
from sklearn.ensemble import RandomForestClassifier

# 示例数据
X, y = make_classification(n_samples=1000, n_features=20)

# 构建流程
pipeline = Pipeline([
    ('segment', Segmenter(window=10, step=5)),
    ('clf', RandomForestClassifier())
])

# 训练模型
pipeline.fit(X, y)

注：实际使用需根据具体任务调整分割参数和模型类型，完整示例请参考官方文档：https://dmbee.github.io/seglearn/