StationarityADFArch#

class StationarityADFArch(lags=None, trend='c', max_lags=None, method='aic', low_memory=None, p_threshold=0.05)[source]#

通过增强迪基-富勒单位根检验 (ADF) 进行平稳性检验。

直接接口到 arch 包中的 DFGLS 检验。不假定 ARCH 过程，命名是由于使用了 arch 包。

使用 arch.unitroot.ADF 作为单位根检验，并推导出一个布尔语句来判断序列是否平稳。

同时返回单位根检验的测试结果作为拟合参数。

参数:

lagsint，可选

在 ADF 回归中使用的滞后数。如果省略或为 None，则使用 method 自动选择滞后长度，且不超过 max_lags。

trend{“n”, “c”, “ct”, “ctt”}，可选

检验中包含的趋势分量

“n” - 无趋势分量
“c” - 包含常数 (默认)
“ct” - 包含常数和线性时间趋势
“ctt” - 包含常数、线性时间和二次时间趋势

max_lagsint，可选

选择滞后长度时使用的最大滞后数

method{“AIC”, “BIC”, “t-stat”}，可选

选择滞后长度时使用的方法

“AIC” - 选择 Akaike IC 的最小值
“BIC” - 选择 Schwarz/Bayesian IC 的最小值
“t-stat” - 选择 Schwarz/Bayesian IC 的最小值

low_memorybool

指示是否使用滞后选择算法的低内存实现的标志。低内存算法比标准算法慢，但使用的内存是标准算法的 2-4%。此选项允许在非常长的时间序列中使用自动滞后选择。如果为 None，则自动选择算法。

属性:

stationary_bool: fit 中序列是否根据检验是平稳的，更准确地说，ADF 检验的零假设是否在 p_threshold 处被拒绝
test_statistic_float: 在 fit 中对 y 运行 adfuller 获得的 ADF 检验统计量。
pvalue_floatfloat: 基于 MacKinnon (1994, 2010) 的 MacKinnon 近似 p 值，在 fit 中对 y 运行 adfuller 获得
usedlag_int: 检验中使用的滞后数。

示例

>>> from sktime.datasets import load_airline
>>> from sktime.param_est.stationarity import StationarityADFArch
>>>
>>> X = load_airline()  
>>> sty_est = StationarityADFArch()  
>>> sty_est.fit(X)  
StationarityADFArch(...)
>>> sty_est.get_fitted_params()["stationary"]  
False

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`克隆`()	获取具有相同超参数和配置的对象的克隆。
`clone_tags`(estimator[, tag_names])	将标签从另一个对象克隆为动态覆盖。
`create_test_instance`([parameter_set])	使用第一个测试参数集构造类的一个实例。
`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])	拟合估计器并估计参数。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，带有从父类继承的标签级别。
`获取类标签`()	从类中获取类标签，带有从父类继承的标签级别。
`获取配置`()	获取对象的配置标志。
`get_fitted_params`([deep])	获取拟合参数。
`获取参数默认值`()	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, ...])	从实例获取标签值，带有标签级别继承和覆盖。
`获取标签`()	从实例获取标签，带有标签级别继承和覆盖。
`get_test_params`([parameter_set])	返回估计器的测试参数设置。
`是否为复合对象`()	检查对象是否由其他 BaseObject 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加载对象。
`重置`()	将对象重置到干净的初始化后状态。
`save`([path, serialization_format])	将序列化的对象保存到字节类对象或 (.zip) 文件。
`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, ...])	为对象设置 random_state 伪随机种子参数。
`set_tags`(**tag_dict)	将实例级别标签覆盖设置为给定值。
`update`(X[, y])	在更多数据上更新拟合参数。

classmethod get_test_params(parameter_set='default')[source]#

返回估计器的测试参数设置。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果为某个值未定义特殊参数，则将返回 "default" 集。对于参数估计器没有保留值。

返回:

paramsdict 或 list of dict，默认值 = {}: 用于创建类的测试实例的参数。每个 dict 是构造一个“有趣”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

check_is_fitted(method_name=None)[source]#

检查估计器是否已拟合。

检查 _is_fitted 属性是否存在且为 True。is_fitted 属性应在调用对象的 fit 方法时设置为 True。

如果不是，则会引发 NotFittedError。

参数:

method_namestr，可选: 调用此函数的方法的名称。如果提供，错误消息将包含此信息。

引发:

NotFittedError: 如果估计器尚未拟合。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

克隆是一个不同的对象，没有共享引用，处于初始化后状态。此函数等效于返回 self 的 sklearn.clone。

等效于使用 self 的参数构造 type(self) 的新实例，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则克隆对象也将具有与原始对象相同的配置，等效于调用 cloned_self.set_config(**self.get_config())。

在值上也等效于调用 self.reset，不同之处在于 clone 返回一个新对象，而不是像 reset 那样改变 self。

引发:

如果克隆对象由于错误的 __init__ 不符合规范，则会引发 RuntimeError。

clone_tags(estimator, tag_names=None)[source]#

将标签从另一个对象克隆为动态覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

clone_tags 方法应仅在对象的 __init__ 方法中，在构造期间，或在通过 __init__ 构造后直接调用。

动态标签设置为 estimator 中标签的值，其名称在 tag_names 中指定。

tag_names 的默认值将 estimator 中的所有标签写入 self。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

estimator类 :class:BaseObject 或其派生类的一个实例
tag_namesstr 或 list of str，默认值 = None: 要克隆的标签名称。默认值 (None) 克隆 estimator 中的所有标签。

返回:

self: 对 self 的引用。

classmethod create_test_instance(parameter_set='default')[source]#

使用第一个测试参数集构造类的一个实例。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果为某个值未定义特殊参数，则将返回 “default” 集。

返回:

instance具有默认参数的类的实例

classmethod create_test_instances_and_names(parameter_set='default')[source]#

创建所有测试实例的列表及其名称列表。

参数:

parameter_setstr，默认值="default": 要返回的测试参数集的名称，用于测试。如果为某个值未定义特殊参数，则将返回 “default” 集。

返回:

objscls 实例列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
nameslist of str，与 objs 长度相同: 第 i 个元素是测试中第 i 个 obj 实例的名称。命名约定是 {cls.__name__}-{i} 如果有多个实例，否则为 {cls.__name__}

fit(X, y=None)[source]#

拟合估计器并估计参数。

状态变更: 将状态更改为“fitted”。
写入对象: 将 self._is_fitted 标志设置为 True。将 X 写入 self._X。如果 y 不为 None，则将 y 写入 self._y。设置以 “_” 结尾的拟合模型属性。

参数:

X采用 sktime 兼容数据容器格式的时间序列。

用于拟合参数估计器的时间序列。

sktime 中的各种数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list of Series typed pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有 3 个或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

估计器是否支持面板或分层数据由 scitype 标签 scitype:X 和 scitype:y 决定。

有关数据格式的更多详细信息，请参阅关于 mtype 的词汇表。

y采用 sktime 兼容数据容器格式的第二个时间序列。

用于拟合参数估计器的第二个时间序列。

仅当估计器是成对估计器时才需要，即如果标签 capability:pairwise 为 True。

否则输入将被忽略，并且不会引发异常。

返回:

self对对象的引用。

classmethod get_class_tag(tag_name, tag_value_default=None)[source]#

从类中获取类标签值，带有从父类继承的标签级别。

每个 scikit-base 兼容对象都有一个标签字典，用于存储关于对象的元数据。

get_class_tag 方法是一个类方法，仅考虑类级别标签值和覆盖来检索标签的值。

它从对象中返回名称为 tag_name 的标签的值，考虑到标签覆盖，按以下优先级降序排列

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

不考虑在实例上设置的动态标签覆盖，通过 set_tags 或 clone_tags 设置的，这些标签是在实例上定义的。

要检索带有潜在实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任何类型: 如果未找到标签，则为默认/回退值。

返回:

标签值: self 中 tag_name 标签的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，带有从父类继承的标签级别。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

get_class_tags 方法是一个类方法，仅考虑类级别标签值和覆盖来检索标签的值。

它返回一个字典，其键是类或其任何父类中设置的任何 _tags 属性的键。

值是相应的标签值，覆盖优先级降序排列如下

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

实例可以根据超参数覆盖这些标签。

要检索带有潜在实例覆盖的标签，请改用 get_tags 方法。

不考虑在实例上设置的动态标签覆盖，通过 set_tags 或 clone_tags 设置的，这些标签是在实例上定义的。

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集。未被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取对象的配置标志。

配置是 self 的键值对，通常用作控制行为的瞬时标志。

get_config 返回动态配置，这些配置覆盖默认配置。

默认配置在类或其父类的类属性 _config 中设置，并通过 set_config 设置的动态配置覆盖。

配置在 clone 或 reset 调用下保留。

返回:

config_dictdict: 配置名称：配置值对字典。通过嵌套继承从 _config 类属性收集，然后由 _onfig_dynamic 对象属性中的任何覆盖和新标签覆盖。

get_fitted_params(deep=True)[source]#

获取拟合参数。

所需状态: 要求状态为“fitted”。

参数:

deepbool，默认值=True

是否返回组件的拟合参数。

如果为 True，将返回此对象的参数名称：参数值字典，包括可拟合组件（= BaseEstimator 类型参数）的拟合参数。
如果为 False，将返回此对象的参数名称：参数值字典，但不包括组件的拟合参数。

返回:

fitted_params键为 str 类型的 dict

拟合参数字典，paramname : paramvalue 键值对包括

总是：此对象的所有拟合参数，通过 get_param_names，值是此对象该键的拟合参数值
如果 deep=True，还包含组件参数的键/值对，组件参数的索引格式为 [componentname]__[paramname]，componentname 的所有参数以 paramname 形式出现，带有其值
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()[source]#

获取对象的参数默认值。

返回:

default_dict: dict[str, Any]: 键是 cls 的所有在 __init__ 中定义了默认值的参数。值是默认值，如 __init__ 中定义的。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool，默认值=True: 是否按字母顺序（True）或按它们在类的 __init__ 中出现的顺序（False）返回参数名称。

返回:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则按它们在类的 __init__ 中出现的相同顺序排列。如果 sort=True，则按字母顺序排列。

get_params(deep=True)[source]#

获取此对象的参数值字典。

参数:

deepbool，默认值=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：参数值 dict，包括组件（= BaseObject 类型参数）的参数。
如果为 False，将返回此对象的参数名称：参数值 dict，但不包括组件的参数。

返回:

params键为 str 类型的 dict

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，值是此对象该键的参数值，值总是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，组件参数的索引格式为 [componentname]__[paramname]，componentname 的所有参数以 paramname 形式出现，带有其值
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)[source]#

从实例获取标签值，带有标签级别继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑到标签覆盖，按以下优先级降序排列

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任何类型，可选；默认值=None: 如果未找到标签，则为默认/回退值
raise_errorbool: 未找到标签时是否引发 ValueError

返回:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，则如果 raise_error 为 True，则引发错误，否则返回 tag_value_default。

引发:

ValueError，如果 raise_error 为 True。: 当 tag_name 不在 self.get_tags().keys() 中时，将引发 ValueError。

get_tags()[source]#

从实例获取标签，带有标签级别继承和覆盖。

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储关于对象的元数据，或控制对象的行为。

标签是特定于实例 self 的键值对，它们是静态标志，在对象构造后不会更改。

get_tags 方法返回一个标签字典，其键是类或其任何父类中设置的任何 _tags 属性的键，或通过 set_tags 或 clone_tags 设置的标签。

值是相应的标签值，覆盖优先级降序排列如下

通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构造时。

在类的 _tags 属性中设置的标签。
在父类的 _tags 属性中设置的标签，

按继承顺序排列。

返回:

collected_tagsdict: 标签名称：标签值对字典。通过嵌套继承从 _tags 类属性收集，然后由 _tags_dynamic 对象属性中的任何覆盖和新标签覆盖。

is_composite()[source]#

检查对象是否由其他 BaseObject 组成。

复合对象是指包含其他对象作为参数的对象。在实例上调用，因为这可能因实例而异。

返回:

composite: bool: 对象是否有任何参数的值是 BaseObject 的派生类实例。

property is_fitted[source]#

是否已调用 fit。

检查对象的 _is_fitted` 属性，该属性应在对象构造期间初始化为 ``False，并在调用对象的 fit 方法时设置为 True。

返回:

bool: 估计器是否已 fit。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object”) 的结果

返回:

反序列化的对象，其结果位于 path，是 cls.save(path) 的输出

classmethod load_from_serial(serial)[source]#

从序列化的内存容器加载对象。

参数:

serialcls.save(None) 输出的第 1 个元素

返回:

反序列化的对象，其结果为 serial，是 cls.save(None) 的输出

reset()[source]#

将对象重置到干净的初始化后状态。

结果是将 self 设置为其在构造函数调用后直接的状态，具有相同的超参数。通过 set_config 设置的配置值也保留。

调用 reset 会删除任何对象属性，除了

超参数 = __init__ 的参数，写入 self，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线的对象属性，即字符串“__”。例如，名为“__myattr”的属性被保留。
配置属性，配置保持不变。也就是说，在 reset 前后 get_config 的结果相等。

类和对象方法以及类属性也不受影响。

等效于 clone，不同之处在于 reset 改变 self 而不是返回一个新对象。

调用 self.reset() 后，self 在值和状态上等于调用构造函数 type(self)(**self.get_params(deep=False)) 后获得的对象。

返回:

self: 类实例重置到干净的初始化后状态，但保留当前的超参数值。

save(path=None, serialization_format='pickle')[source]#

将序列化的对象保存到字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回内存中的序列化对象；如果 path 是文件位置，则将对象存储在该位置作为 zip 文件

保存的文件是 zip 文件，包含以下内容：_metadata - 包含对象的类，即 type(self)；_obj - 序列化的对象。此类使用默认序列化（pickle）。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，对象保存到内存中；如果为文件位置，对象保存到该文件位置。如果

path=”estimator”，则将在当前工作目录创建 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则将在 /home/stored/ 中保存 zip 文件 estimator.zip。

存储在 /home/stored/ 中。

serialization_format: str，默认值 = “pickle”

用于序列化的模块。可用选项包括“pickle”和“cloudpickle”。请注意，非默认格式可能需要安装其他软依赖项。

返回:

如果 path 为 None - 内存中的序列化对象
如果 path 为文件位置 - 指向文件的 ZipFile

set_config(**config_dict)[source]#

将配置标志设置为给定值。

参数:

config_dictdict

配置名称：配置值对字典。有效配置、值及其含义列于下方

displaystr，“diagram”（默认值），或“text”

jupyter kernel 如何显示对象实例

“diagram” = html 框图表示
“text” = 字符串打印输出

print_changed_onlybool，默认值=True

打印对象时是否仅列出与默认值不同的对象参数 (False)，或所有参数名称和值 (False)。不嵌套，即仅影响对象本身，不影响组件估计器。

warningsstr，“on”（默认值），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” = 将不引发来自 sktime 的警告

backend:parallelstr，可选，默认值="None"

广播/向量化时用于并行的后端，以下之一

“None”：顺序执行循环，简单的列表推导式
“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
“ray”：使用 ray，需要在环境中安装 ray 包

backend:parallel:paramsdict，可选，默认值={}（不传递参数）

作为配置传递给并行后端的附加参数。有效键取决于 backend:parallel 的值

“None”：无附加参数，backend_params 被忽略
“loky”、“multiprocessing”和“threading”：默认 joblib 后端，可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“joblib”：自定义和第三方 joblib 后端，例如 spark。可以传递 joblib.Parallel 的任何有效键，例如 n_jobs，在这种情况下必须将 backend 作为 backend_params 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数默认为 joblib 默认值。
“dask”：可以传递 dask.compute 的任何有效键，例如 scheduler
“ray”：可以传递以下键
- “ray_remote_args”：ray.init 的有效键字典
- “shutdown_ray”：bool，默认值=True；False 可防止 ray 在并行化后关闭。
  并行处理后关闭。
- “logger_name”：str，默认值=”ray”；要使用的日志记录器的名称。
- “mute_warnings”：bool，默认值=False；如果为 True，则抑制警告

返回:

self对对象的引用。

注意

更改对象状态，将 config_dict 中的配置复制到 self._config_dynamic。

set_params(**params)[source]#

设置此对象的参数。

此方法适用于简单的 skbase 对象以及复合对象。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>。如果不带 <component>__ 的字符串 <parameter> 也能使引用明确（例如，组件中没有两个参数同名 <parameter>），则也可以使用不带 <component>__ 的字符串。

参数:

**paramsdict: BaseObject 参数，键必须是 <component>__<parameter> 字符串。__ 后缀可以作为完整字符串的别名，如果它在 get_params 键中是唯一的。

返回:

self对对象的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')[source]#

为对象设置 random_state 伪随机种子参数。

通过 self.get_params 查找名为 random_state 的参数，并通过 set_params 将其设置为通过 sample_dependent_seed 从 random_state 派生的整数。这些整数通过链式哈希采样，保证伪随机生成器的独立性。

根据 self_policy 应用于 self 中的 random_state 参数，并且仅当 deep=True 时应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或没有任何组件具有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是那些没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None，默认值=None

伪随机数生成器，用于控制随机整数的生成。传入 int 可在多次函数调用中获得可复现的输出。

deepbool，默认值=True

是否在 skbase 对象值参数（即组件估计器）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，也将设置组件对象中的 random_state 参数。

self_policystr，取值范围：{“copy”, “keep”, “new”}，默认值="copy"

“copy”：self.random_state 设置为输入 random_state
“keep”：self.random_state 保持不变
“new”：self.random_state 设置为新的随机状态，

从输入 random_state 派生，通常与它不同

返回:

self对自身的引用

set_tags(**tag_dict)[source]#

将实例级别标签覆盖设置为给定值。

每个 scikit-base 兼容对象都有一个标签字典，用于存储关于对象的元数据。

标签是特定于实例 self 的键值对，它们是对象构造后不会更改的静态标志。它们可用于元数据检查或控制对象的行为。

set_tags 将动态标签覆盖设置为 tag_dict 中指定的值，其中键是标签名称，字典值是要设置的标签值。

set_tags 方法只能在对象的构造过程中，即在 __init__ 方法中调用，或者在通过 __init__ 构造后直接调用。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

**tag_dict字典: 标签名称：标签值对的字典。

返回:

自身: 对自身的引用。

update(X, y=None)[source]#

在更多数据上更新拟合参数。

如果尚未实现特定于估计器的更新方法，则默认回退是拟合到目前为止所有观察到的数据。

所需状态: 要求状态为“fitted”。
在自身中的访问: 以“_”结尾的拟合模型属性。指向已见数据的指针，self._X self._is_fitted 以“_”结尾的模型属性。
写入对象: 通过追加行来用 X 更新 self._X。更新以“_”结尾的拟合模型属性。

参数:

X采用 sktime 兼容数据容器格式的时间序列。

用于拟合参数估计器的时间序列。

sktime 中的各种数据格式是所谓的 mtype 规范，每个 mtype 实现一个抽象的 scitype。

Series scitype = 单个时间序列，普通预测。pd.DataFrame, pd.Series 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合，全局/面板预测。pd.DataFrame 具有 2 级行 MultiIndex (instance, time), 3D np.ndarray (instance, variable, time), list of Series typed pd.DataFrame
Hierarchical scitype = 分层集合，用于分层预测。pd.DataFrame 具有 3 个或更多级别行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

估计器是否支持面板或分层数据由 scitype 标签 scitype:X 和 scitype:y 决定。

有关数据格式的更多详细信息，请参阅关于 mtype 的词汇表。

y采用 sktime 兼容数据容器格式的第二个时间序列。

用于拟合参数估计器的第二个时间序列。

仅当估计器是成对估计器时才需要，即如果标签 capability:pairwise 为 True。

否则输入将被忽略，并且不会引发异常。

返回:

self对自身的引用