Att kombinera tidsseriedata med maskininlärning

Maskininlärning för tidsseriedata i Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Lär känna våra data

Datamängderna vi använder i den här kursen är fritt tillgängliga online
Det finns många datamängder att ladda ner på webben – de vi använder kommer från Kaggle

Hjärtljudsdata

Många inspelningar av hjärtljud från olika patienter
Vissa hade normalt fungerande hjärtan, andra hade avvikelser
Data består av ljudfiler med tillhörande etiketter
Kan vi hitta de "onormala" hjärtslagen?

Läsa in ljuddata

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']

Läsa in ljuddata

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)

Här är samplingsfrekvensen 2205, vilket innebär 2205 sampel per sekund

Härled tid från sampel

Om vi känner till samplingsfrekvensen kan vi beräkna tidsstämpeln för varje datapunkt relativt den första datapunkten
Obs: detta förutsätter att samplingsfrekvensen är konstant och att inga datapunkter saknas

Skapa en tidsarray (I)

Skapa en array med index, ett per sampel, och dividera med samplingsfrekvensen
```
  indices = np.arange(0, len(audio))
  time = indices / sfreq
```

Skapa en tidsarray (II)

Hitta tidsstämpeln för den N-1:e datapunkten. Använd sedan linspace() för att interpolera från noll till den tidpunkten
```
  final_time = (len(audio) - 1) / sfreq
  time = np.linspace(0, final_time, sfreq)
```

New York Stock Exchange-datamängden

Den här datamängden innehåller aktiekurser för företag under 10 år
Kan vi hitta mönster i historiska data som gör det möjligt att förutsäga framtida aktievärden?

Utforska data

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

Tidsserier med Pandas DataFrames

Vi kan undersöka objekttypen för varje kolumn via attributet dtypes

df['date'].dtypes

0    object
1    object
2    object
dtype: object

Konvertera en kolumn till en tidsserie

För att en kolumn i en DataFrame ska behandlas som en tidsserie använder du funktionen 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]

Nu kör vi en övning!

Maskininlärning för tidsseriedata i Python