ExpandingSlidingWindowSplitter

class ExpandingSlidingWindowSplitter(fh: int | list | ndarray | Index | ForecastingHorizon = 1, step_length: int | Timedelta | timedelta | timedelta64 | DateOffset = 1, initial_window: int | float | Timedelta | timedelta | timedelta64 | DateOffset = 10, max_expanding_window_length: int | float | Timedelta | timedelta | timedelta64 | DateOffset = inf)

结合了 Expanding 和 Sliding Window Splitter。

这个分割器开始时是一个 Expanding Window Splitter，直到达到指定的最大窗口长度，然后转换为 Sliding Window Splitter。

例如，设置 initial_window = 1, step_length = 1, fh = [1, 2], 和 max_expanding_window_length = 8 时：

|--------------------| | * x x - - - - - - -| Expanding (initial_window = 1) | * * x x - - - - - -| Expanding | * * * x x - - - - -| Expanding | * * * * x x - - - -| Expanding | * * * * * x x - - -| Expanding | - * * * * * x x - -| Sliding (switched) | - - * * * * * x x -| Sliding | - - - * * * * * x x| Sliding |--------------------|

0 1 2 3 4 5 6 7 8 9

^ |_ 达到最大 Expanding 窗口大小

* = 训练折叠 x = 测试折叠 - = 未使用的观测值

参数:

fhint, list 或 np.array, 可选 (默认=1)

预测范围

initial_windowint 或 timedelta 或 pd.DateOffset, 可选 (默认=10)

Expanding 窗口阶段的初始窗口长度

step_lengthint 或 timedelta 或 pd.DateOffset, 可选 (默认=1)

窗口之间的步长

max_expanding_window_lengthint, 可选 (默认=float(‘inf’))

最大窗口长度。如果未传入，将无限扩展。

示例

>>> import numpy as np
>>> from sktime.split import ExpandingSlidingWindowSplitter
>>> ts = np.arange(10)
>>> splitter = ExpandingSlidingWindowSplitter(
...     fh=[1, 2],
...     step_length=3,
...     initial_window=1,
...     max_expanding_window_length=5,
... )
>>> list(splitter.split(ts)) 
[(array([0]), array([1, 2])), (array([0, 1]), array([2, 3])),
  (array([0, 1, 2]), array([3, 4])), (array([0, 1, 2, 3]), array([4, 5])),
  (array([0, 1, 2, 3, 4]), array([5, 6])), (array([1, 2, 3, 4, 5]), array([6, 7])),
  (array([2, 3, 4, 5, 6]), array([7, 8])), (array([3, 4, 5, 6, 7]), array([8, 9]))]

>>> import numpy as np
>>> from sktime.split import ExpandingSlidingWindowSplitter
>>> ts = np.arange(10)
>>> splitter = ExpandingSlidingWindowSplitter(
...     fh=[1, 2],
...     step_length=3,
...     initial_window=2,
...     max_expanding_window_length=5,
... )
>>> list(splitter.split(ts)) 
[(array([0, 1]), array([2, 3])), (array([0, 1, 2, 3, 4]), array([5, 6])),
  (array([3, 4, 5, 6, 7]), array([8, 9]))]

方法

clone()	获取具有相同超参数和配置的对象的克隆。
clone_tags(estimator[, tag_names])	从另一个对象克隆标签作为动态覆盖。
create_test_instance([parameter_set])	使用第一个测试参数集构造类的实例。
create_test_instances_and_names([parameter_set])	创建所有测试实例的列表及其名称列表。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，并从父类继承标签级别。
get_class_tags()	从类中获取类标签，并从父类继承标签级别。
get_config()	获取对象的配置标志。
get_cutoffs([y])	在 .iloc[] 上下文中返回截止点。
get_fh()	返回预测范围。
get_n_splits([y])	返回分割数。
get_param_defaults()	获取对象的默认参数。
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，并带有标签级别的继承和覆盖。
get_tags()	从实例获取标签，并带有标签级别的继承和覆盖。
get_test_params([parameter_set])	返回分割器的测试参数设置。
is_composite()	检查对象是否由其他 BaseObjects 组成。
load_from_path(serial)	从文件位置加载对象。
load_from_serial(serial)	从序列化内存容器加载对象。
reset()	将对象重置为干净的初始化后状态。
save([path, serialization_format])	将序列化的对象保存到类字节对象或 (.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, ...])	为此对象设置 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。
split(y)	获取 y 的训练/测试分割的 iloc 引用。
split_loc(y)	获取 y 的训练/测试分割的 loc 引用。
split_series(y)	将 y 分割成训练和测试窗口。

classmethod get_test_params(parameter_set='default')

返回分割器的测试参数设置。

返回分割器的测试参数设置。

获取具有相同超参数和配置的对象的克隆。

classmethod clone()

克隆是一个没有共享引用、处于初始化后状态的不同对象。此函数等同于返回 sklearn.clone 的 self。

等同于使用 self 的参数构造一个 type(self) 的新实例，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则克隆也会拥有与原始对象相同的配置，等同于调用 cloned_self.set_config(**self.get_config())。

值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而 reset 会修改 self。

Raises:

如果克隆不符合要求，由于 __init__ 错误，则抛出 RuntimeError。

从另一个对象克隆标签作为动态覆盖。

clone_tags(estimator, tag_names=None)

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据，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 方法只能在对象的 __init__ 方法中，在构造期间，或在通过 __init__ 直接构造之后调用。

动态标签被设置为 estimator 中标签的值，名称由 tag_names 指定。

tag_names 的默认设置是将 estimator 中的所有标签写入 self。

参数:

当前的标签值可以通过 get_tags 或 get_tag 检查。

estimator:class:BaseObject 或派生类的实例

tag_namesstr 或 list of str, 默认 = None

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

Returns:

self

self 的引用。

使用第一个测试参数集构造类的实例。

参数:

classmethod create_test_instance(parameter_set='default')

parameter_setstr, 默认=”default”

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

要返回的测试参数集的名称，用于测试。如果未为某个值定义特殊参数，将返回 “default” 参数集。

instance具有默认参数的类实例

创建所有测试实例的列表及其名称列表。

参数:

classmethod create_test_instance(parameter_set='default')

parameter_setstr, 默认=”default”

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

第 i 个实例是 cls(**cls.get_test_params()[i])

namesstr 列表，长度与 objs 相同

第 i 个元素是测试中 obj 的第 i 个实例的名称。如果实例不止一个，命名约定是 {cls.__name__}-{i}，否则是 {cls.__name__}

从类中获取类标签值，并从父类继承标签级别。

clone_tags(estimator, tag_names=None)

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

classmethod get_class_tag(tag_name, tag_value_default=None)

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

1. 它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

2. 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。

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

参数:

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

tag_namestr

标签值的名称。

tag_value_default任意类型

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

如果未找到标签，则为默认/备用值。

tag_value

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

从类中获取类标签，并从父类继承标签级别。

clone_tags(estimator, tag_names=None)

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

classmethod get_class_tags()

get_class_tags 方法是一个类方法，它只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 _tags 任何属性的键。

1. 它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

2. 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，

值是相应的标签值，覆盖的优先级按降序排列如下：

实例可以根据超参数覆盖这些标签。

按继承顺序排列。

要包含动态标签的覆盖，请使用 get_tags。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

collected_tagsdict

标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性收集。不受通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()

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临时标志。

get_config 返回动态配置，它会覆盖默认配置。

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

配置在 clone 或 reset 调用下保留。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

config_dictdict

配置名称 : 配置值对的字典。通过嵌套继承从 _config 类属性收集，然后从 _onfig_dynamic 对象属性收集任何覆盖和新标签。

get_cutoffs(y: Series | DataFrame | ndarray | Index | None = None) → ndarray

在 .iloc[] 上下文中返回截止点。

参数:

ypd.Series 或 pd.Index, 可选 (默认=None)

要分割的时间序列

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

cutoffsint 的一维 np.ndarray

相对于 y 的 iloc 位置索引，即截止点索引

get_fh() → ForecastingHorizon

返回预测范围。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

fhForecastingHorizon

预测范围

get_n_splits(y: Series | DataFrame | ndarray | Index | None = None) → int

返回分割数。

参数:

ypd.Series 或 pd.Index, 可选 (默认=None)

要分割的时间序列

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

n_splitsint

分割的数量。

classmethod get_param_defaults()

获取对象的默认参数。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

default_dict: dict[str, Any]

键是 cls 中在 __init__ 中定义了默认值的所有参数。值是默认值，如在 __init__ 中定义。

classmethod get_param_names(sort=True)

获取对象的参数名称。

参数:

sortbool, 默认=True

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

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

param_names: list[str]

cls 的参数名称列表。如果 sort=False，则按它们在类的 __init__ 中出现的顺序。如果 sort=True，则按字母顺序排列。

get_params(deep=True)

获取此对象的参数值字典。

参数:

deepbool, 默认=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 : 值 dict，包括组件参数 (= BaseObject 类型的参数)。

• 如果为 False，将返回此对象的参数名称 : 值 dict，但不包括组件参数。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

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 获取，值是该键对应的参数值，此对象的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，组件参数的索引方式为 [componentname]__[paramname]，componentname 的所有参数都显示为 paramname 及其值

• 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)

从实例获取标签值，并带有标签级别的继承和覆盖。

clone_tags(estimator, tag_names=None)

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

get_tag 方法从实例中检索名称为 tag_name 的单个标签的值，考虑标签覆盖，优先级按降序排列如下：

1. 通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时设置。

2. 它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

3. 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，

参数:

要检索可能包含实例覆盖的标签值，请改用 get_tag 方法。

要检索的标签名称

tag_value_default任意类型，可选；默认=None

如果未找到标签，则为默认/备用值

raise_errorbool

未找到标签时是否抛出 ValueError

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

tag_valueAny

self 中 tag_name 标签的值。如果未找到，并且 raise_error 为 True，则抛出错误，否则返回 tag_value_default。

值上也等同于调用 self.reset，区别在于 clone 返回一个新对象，而 reset 会修改 self。

ValueError, 如果 raise_error 为 True。

如果 tag_name 不在 self.get_tags().keys() 中，则抛出 ValueError。

get_tags()

从实例获取标签，并带有标签级别的继承和覆盖。

clone_tags(estimator, tag_names=None)

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

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 _tags 任何属性的键，或通过 set_tags 或 clone_tags 设置的标签。

它返回一个字典，其键是类或其任何父类中设置的 _tags 任何属性的键。

1. 通过 set_tags 或 clone_tags 在实例上设置的标签，

在实例构建时设置。

2. 它返回对象中名称为 tag_name 的标签的值，考虑标签覆盖，优先级按降序排列如下：

3. 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，

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

collected_tagsdict

标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性收集，然后从 _tags_dynamic 对象属性收集任何覆盖和新标签。

is_composite()

检查对象是否由其他 BaseObjects 组成。

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

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

composite: bool

对象的任何参数的值是否为 BaseObject 后代实例。

classmethod load_from_path(serial)

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

反序列化的对象，结果输出到 path，即 cls.save(path) 的输出

classmethod load_from_serial(serial)

从序列化内存容器加载对象。

参数:

serialcls.save(None) 输出的第一个元素

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

反序列化的对象，结果输出为 serial，即 cls.save(None) 的输出

reset()

将对象重置为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立即处于的状态，具有相同的超参数。set_config 设置的配置值也会保留。

reset 调用会删除任何对象属性，除了

• 超参数 = 写入 self 的 __init__ 参数，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”的属性会保留。

• 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。

等同于 clone，区别在于 reset 修改 self 而不是返回新对象。

在调用 self.reset() 后，self 的值和状态与构造函数调用 ``type(self)(**self.get_params(deep=False))`` 后获得的对象相等。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

Returns:

类实例重置为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')

将序列化的对象保存到类字节对象或 (.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，则将对象作为 zip 文件存储在该位置

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方式 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，对象保存到内存对象；如果是文件位置，对象保存到该文件位置。如果

• path=”estimator”，则会在当前工作目录创建 zip 文件 estimator.zip。

• path=”/home/stored/estimator”，则会在 /home/stored/ 中创建 zip 文件 estimator.zip。

存储。

serialization_format: str, 默认 = “pickle”

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

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

如果 path 为 None - 内存中的序列化对象

如果 path 是文件位置 - 引用该文件的 ZipFile

set_config(**config_dict)

将配置标志设置为给定值。

参数:

config_dictdict

配置名称 : 配置值对的字典。有效的配置、值及其含义如下所示

displaystr, “diagram”（默认），或“text”

jupyter 内核如何显示对象的实例

• “diagram” = html 框图表示

• “text” = 字符串打印输出

print_changed_onlybool, 默认=True

打印对象时是否只列出与默认值不同的参数 (False)，还是列出所有参数名称和值 (False)。不嵌套，即只影响对象本身，不影响组件估计器。

warningsstr，“on”（默认），或“off”

是否发出警告，只影响 sktime 的警告

• “on” = 将发出来自 sktime 的警告

• “off” = 将不发出来自 sktime 的警告

backend:parallelstr, 可选, 默认=”None”

广播/矢量化时用于并行化的后端，以下之一

• “None”：顺序执行循环，简单的列表推导

• “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={}（不传递参数）

作为配置传递给并行化后端的额外参数。有效键取决于 backend:parallel 的值

• “None”：无额外参数，backend_params 被忽略

• “loky”, “multiprocessing” 和 “threading”：默认的 joblib 后端，此处可传递 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，其他参数将默认为 joblib 的默认值。

• “joblib”：自定义和第三方 joblib 后端，例如 spark。此处可传递 joblib.Parallel 的任何有效键，例如 n_jobs。在此情况下，backend 必须作为 backend_params 的键传递。如果未传递 n_jobs，则默认为 -1，其他参数将默认为 joblib 的默认值。

• “dask”：可传递 dask.compute 的任何有效键，例如 scheduler

• “ray”：可传递以下键

  • “ray_remote_args”：ray.init 的有效键字典

  • “shutdown_ray”：bool，默认=True；False 防止 ray

    在并行化后关闭。

  • “logger_name”：str，默认=”ray”；要使用的日志记录器名称。

  • “mute_warnings”：bool，默认=False；如果为 True，则抑制警告

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

self对象的引用。

注意

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

set_params(**params)

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。对于复合对象，即包含其他对象的对象，可以使用参数键字符串 <component>__<parameter> 来访问组件 <component> 中的 <parameter>。如果不引起歧义（例如，没有两个组件参数具有相同的名称 <parameter>），也可以使用不带 <component>__ 的字符串 <parameter>。

参数:

**paramsdict

BaseObject 参数，键必须是 <component>__<parameter> 字符串。如果 __ 后缀在 get_params 键中唯一，则可以作为完整字符串的别名。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

self对象的引用（设置参数后）

set_random_state(random_state=None, deep=True, self_policy='copy')

为此对象设置 random_state 伪随机种子参数。

通过 self.get_params 找到名称为 random_state 的参数，并通过 set_params 将它们设置为从 random_state 派生的整数。这些整数通过 sample_dependent_seed 从链式哈希中采样，保证种子随机生成器的伪随机独立性。

根据 self_policy 应用于 self 中的 random_state 参数，并且仅当 deep=True 时应用于其余组件对象。

注意：即使 self 没有 random_state 参数，或者任何组件都没有 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=None

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

deepbool, 默认=True

是否在 skbase 对象参数中设置随机状态，即组件估计器。

• 如果为 False，则仅设置 self 的 random_state 参数（如果存在）。

• 如果为 True，也会在组件对象中设置 random_state 参数。

self_policystr, 以下之一：{“copy”, “keep”, “new”}, 默认=”copy”

• “copy” : self.random_state 设置为输入的 random_state

• “keep” : self.random_state 保持原样

• “new” : self.random_state 设置为一个新的随机状态，

派生自输入 random_state，通常与输入不同

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

self引用自身

set_tags(**tag_dict)

将实例级别标签覆盖设置为给定值。

clone_tags(estimator, tag_names=None)

每个 scikit-base 兼容对象都有一个标签字典。标签可用于存储对象的元数据，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 __init__ 方法中，即构造期间，或通过 __init__ 构造后直接调用。

tag_names 的默认设置是将 estimator 中的所有标签写入 self。

参数:

**tag_dict字典

标签名称: 标签值 对的字典。

要克隆的标签名称。默认设置 (None) 克隆 estimator 中的所有标签。

自身

引用自身。

split(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[ndarray, ndarray]]

获取 y 的训练/测试分割的 iloc 引用。

参数:

ypd.Index 或 sktime 兼容时间序列格式的时间序列

时间序列可以是任何 Series, Panel 或 Hierarchical mtype 格式，要分割的时间序列索引，或要分割的时间序列，如果是时间序列，则被视为等效 pandas 类型容器的索引：pd.DataFrame, pd.Series, pd-multiindex 或 pd_multiindex_hier mtype

生成：

trainint 类型的 1D np.ndarray

训练窗口索引，y 中训练索引的 iloc 引用

testint 类型的 1D np.ndarray

测试窗口索引，y 中测试索引的 iloc 引用

split_loc(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[Index, Index]]

获取 y 的训练/测试分割的 loc 引用。

参数:

ypd.Index 或 sktime 兼容时间序列格式的时间序列

时间序列可以是任何 Series, Panel 或 Hierarchical mtype 格式，要分割的时间序列索引，或要分割的时间序列，如果是时间序列，则被视为等效 pandas 类型容器的索引：pd.DataFrame, pd.Series, pd-multiindex 或 pd_multiindex_hier mtype

生成：

trainpd.Index

训练窗口索引，y 中训练索引的 loc 引用

testpd.Index

测试窗口索引，y 中测试索引的 loc 引用

split_series(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[Series, Series] | tuple[Series, Series, DataFrame, DataFrame]]

将 y 分割成训练和测试窗口。

参数:

ypd.Index 或 sktime 兼容时间序列格式的时间序列

时间序列可以是任何 Series, Panel 或 Hierarchical mtype 格式，要分割的时间序列索引，或要分割的时间序列，如果是时间序列，则被视为等效 pandas 类型容器的索引：pd.DataFrame, pd.Series, pd-multiindex 或 pd_multiindex_hier mtype

生成：

train与 y 具有相同 sktime mtype 的时间序列

分割中的训练序列

test与 y 具有相同 sktime mtype 的时间序列

分割中的测试序列