用機器學習結合時間序列資料

Python 的時間序列資料機器學習

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

認識我們的資料

本課會用的資料集都可在網路上免費取得。
網路上有很多可下載的資料集；我們將使用來自 Kaggle 的資料。

心跳聲學資料

來自不同病患的多段心音錄音。
有些心臟功能正常，另一些有異常。
資料為音訊檔，加上每個檔案的標籤。
我們能找出「異常」心跳嗎？

載入音訊資料

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']

讀取音訊資料

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)

在此，取樣頻率是 2205，表示每秒有 2205 個樣本。

由樣本推回時間

若知道時間序列的取樣率，就能得知每個資料點相對於第一個資料點的時間戳。
注意：這假設取樣率固定且沒有遺失資料點。

建立時間陣列（I）

建立與樣本數相同的索引陣列，並除以取樣頻率。
```
  indices = np.arange(0, len(audio))
  time = indices / sfreq
```

建立時間陣列（II）

先找第 N-1 個資料點的時間戳，然後用 linspace() 從 0 插值到該時間。
```
  final_time = (len(audio) - 1) / sfreq
  time = np.linspace(0, final_time, sfreq)
```

紐約證券交易所資料集

這個資料集包含公司 10 年的股價。
我們能從歷史紀錄找出可用來預測未來公司價值的模式嗎？

檢視資料

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

以 Pandas DataFrame 處理時間序列

可透過 dtypes 屬性查看各欄位的物件型別。

df['date'].dtypes

0    object
1    object
2    object
dtype: object

將欄位轉為時間序列

要讓 DataFrame 中的欄位被視為時間序列，可使用 to_datetime() 函式。

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]

一起來練習吧！

Python 的時間序列資料機器學習