Kombinace časových řad se strojovým učením

Machine Learning pro data časových řad v Pythonu

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Seznámení s daty

Datové sady použité v tomto kurzu jsou volně dostupné online
Pocházejí z platformy Kaggle

Akustická data srdečního tepu

Mnoho nahrávek srdečních zvuků od různých pacientů
Někteří měli zdravé srdce, jiní srdeční abnormality
Data jsou ve formě audio souborů s popisky
Dokážeme detekovat abnormální srdeční rytmy?

Načítání zvukových dat

from glob import glob
files = glob('data/heartbeat-sounds/files/*.wav')

print(files)

['data/heartbeat-sounds/proc/files/murmur__201101051104.wav',
 ...
 'data/heartbeat-sounds/proc/files/murmur__201101051114.wav']

Čtení zvukových dat

import librosa as lr
# `load` accepts a path to an audio file
audio, sfreq = lr.load('data/heartbeat-sounds/proc/files/murmur__201101051104.wav')

print(sfreq)

Vzorkovací frekvence je 2205, tedy 2205 vzorků za sekundu

Odvození času z vzorků

Pokud známe vzorkovací frekvenci časové řady, lze odvodit časové razítko každého datového bodu relativně k prvnímu bodu
Poznámka: předpokládá se pevná vzorkovací frekvence a žádné ztráty dat

Vytvoření časového pole (I)

Vytvořte pole indexů pro každý vzorek a vydělte vzorkovací frekvencí
```
  indices = np.arange(0, len(audio))
  time = indices / sfreq
```

Vytvoření časového pole (II)

Nalezněte časové razítko (N-1)-tého datového bodu. Poté použijte linspace() pro interpolaci od nuly po tento čas
```
  final_time = (len(audio) - 1) / sfreq
  time = np.linspace(0, final_time, sfreq)
```

Datová sada newyorské burzy

Datová sada obsahuje hodnoty akcií 10 let
Lze v historických záznamech odhalit vzory pro předpověď budoucích hodnot?

Prozkoumání dat

data = pd.read_csv('path/to/data.csv')

data.columns

Index(['date', 'symbol', 'close', 'volume'], dtype='object')

data.head()

         date symbol       close       volume
0  2010-01-04   AAPL  214.009998  123432400.0
1  2010-01-04    ABT   54.459951   10829000.0
2  2010-01-04    AIG   29.889999    7750900.0
3  2010-01-04   AMAT   14.300000   18615100.0
4  2010-01-04   ARNC   16.650013   11512100.0

Časové řady v Pandas DataFrames

Typ objektu každého sloupce lze zjistit pomocí atributu dtypes

df['date'].dtypes

0    object
1    object
2    object
dtype: object

Převod sloupce na časovou řadu

Chcete-li zajistit, aby byl sloupec v DataFrame zpracován jako časová řada, použijte funkci to_datetime()

df['date'] = pd.to_datetime(df['date'])

df['date']

0   2017-01-01
1   2017-01-02
2   2017-01-03
Name: date, dtype: datetime64[ns]

Pojďme si procvičit!

Machine Learning pro data časových řad v Pythonu