SlidingWindowSplitter#

滑动窗口分割器。

将时间序列重复分割成固定长度的训练窗口和测试窗口。

训练窗口由 window_length 和 step_length 定义，窗口从数据中第一个可用的时间索引开始。

如果数据中的时间点是 \((t_1, t_2, \ldots, t_N)\)，则训练窗口将是以下区间内的所有索引：

\[[t_1, t_1 + w), [t_1 + s, t_1 + s + w), [t_1 + 2s, t_1 + 2s + w), \ldots\]

其中 \(w\) 是窗口长度，\(s\) 是步长。

测试窗口由相对于训练窗口结束点的预测范围定义。

测试窗口将包含与提供给 fh 参数的预测范围数量相同的索引。

对于预测范围 \((h_1,\ldots,h_H)\)，第 n 次分割的测试索引将包含索引 \((k_n+h_1,\ldots,k_n+h_H)\)，其中 \(k_n = t_1 + (n - 1) \cdot s + w\) 是第 n 个训练窗口的结束点。

分割的数量由时间序列的总长度决定，直到最后一个测试窗口位于观测时间索引内，即最大的整数 \(n\) 使得 \(k_n + h_H < t_N\)。

例如，对于 window_length = 5，step_length = 1 和 fh = [1, 2, 3]，下面是折叠的表示：

|-----------------------|
| * * * * * x x x - - - |
| - * * * * * x x x - - |
| - - * * * * * x x x - |
| - - - * * * * * x x x |

* = 训练折叠。

x = 测试折叠。

参数:

fhint, list or np.array, optional (default=1)

预测范围，决定测试窗口。应该是相对的。测试窗口通过将预测范围 fh 应用于训练窗口的结束点来确定。

window_lengthint or timedelta or pd.DateOffset, optional (default=10)

训练窗口的长度。

step_lengthint or timedelta or pd.DateOffset, optional (default=1)

训练窗口之间的步长。

initial_windowint or timedelta or pd.DateOffset, optional (default=None)

第一个窗口的长度。如果设置为整数，则第一个训练窗口的大小将为 initial_window，而不是 window_length。这对于需要最少训练数据量的预测算法很有用。测试窗口大小不变，由 fh 决定。从第二个开始的所有剩余折叠的大小将为 window_length。

start_with_windowbool, optional (default=True)

如果为 True，则从完整的训练窗口开始。
如果为 False，则从空的训练窗口开始。与设置 initial_window=0 相同。

示例

>>> import numpy as np
>>> from sktime.split import SlidingWindowSplitter
>>> ts = np.arange(10)
>>> splitter = SlidingWindowSplitter(fh=[2, 4], window_length=3, step_length=2)
>>> list(splitter.split(ts)) 
[(array([0, 1, 2]), array([4, 6])), (array([2, 3, 4]), array([6, 8]))]

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建类的实例。
`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`()	获取自身的配置标志。
`get_cutoffs`([y])	返回 .iloc[] 上下文中的截止点。
`get_fh`()	返回预测范围。
`get_n_splits`([y])	返回分割的数量。
`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, ...])	从实例中获取标签值，包括标签级别的继承和覆盖。
`get_tags`()	从实例中获取标签，包括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)	从序列化的内存容器加载对象。
`reset`()	将对象重置为干净的初始化后状态。
`save`([path, serialization_format])	将序列化的自身保存到类似字节的对象或 (.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, ...])	为自身设置 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 分割成训练窗口和测试窗口。

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

返回分割器的测试参数设置。

参数:

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

返回值:

paramsdict 或 dict 列表，默认值 = {}: 用于创建类测试实例的参数。每个 dict 都是用于构造“有趣”测试实例的参数，例如，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。

clone()[source]#

获取具有相同超参数和配置的对象的克隆。

克隆是另一个没有共享引用的对象，处于初始化后状态。此函数等同于返回 sklearn.clone 的 self。

等同于构造一个新的 type(self) 实例，并使用 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，克隆也将具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，不同之处在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

RuntimeError if the clone is non-conforming, due to faulty __init__. -> 如果克隆不符合规范，则引发 RuntimeError，原因可能是 __init__ 错误。

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

从另一个对象克隆标签作为动态覆盖。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

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__ 方法中调用，即在构造期间或通过 __init__ 构造之后立即调用。

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

tag_names 的默认值是将 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:class:BaseObject 或派生类的实例
tag_namesstr 或 str 列表，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。

返回值:

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建类的实例。

参数:

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

返回值:

instance使用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。如果未为某个值定义特殊参数，则将返回 “default” 集。

返回值:

objscls 实例的列表: 第 i 个实例是 cls(**cls.get_test_params()[i])
namesstr 列表，与 objs 长度相同: 第 i 个元素是测试中 obj 的第 i 个实例的名称。命名约定为 {cls.__name__}-{i}（如果实例多于一个），否则为 {cls.__name__}。

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

从类中获取类标签值，并从父类继承标签级别。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

get_class_tag 方法是类方法，它仅考虑类级别的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 的标签值，考虑标签覆盖，优先级按降序排列如下：

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。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

要检索具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任意类型: 如果未找到标签，则为默认/回退值。

返回值:

tag_value: 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，并从父类继承标签级别。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

get_class_tags 方法是类方法，它仅考虑类级别的标签值和覆盖来检索标签的值。

它返回一个字典，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，覆盖优先级按降序排列如下：

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。

实例可以根据超参数覆盖这些标签。

要检索具有潜在实例覆盖的标签，请改用 get_tags 方法。

不考虑通过 set_tags 或 clone_tags 在实例上设置的动态标签覆盖。

要包含动态标签的覆盖，请使用 get_tags。

返回值:

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。不被通过 set_tags 或 clone_tags 设置的动态标签覆盖。

get_config()[source]#

获取自身的配置标志。

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 _config 类属性中设置，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。

返回值:

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，然后是 _onfig_dynamic 对象属性中的任何覆盖和新标签。

get_cutoffs(y: Series | DataFrame | ndarray | Index | None = None) → ndarray[source]#

返回 .iloc[] 上下文中的截止点。

参数:

ypd.Series or pd.Index, optional (default=None): 要分割的时间序列

返回值:

cutoffsint 的一维 np.ndarray: 截止点索引相对于 y 的 iloc 位置索引

get_fh() → ForecastingHorizon[source]#

返回预测范围。

返回值:

fhForecastingHorizon: 预测范围

get_n_splits(y: Series | DataFrame | ndarray | Index | None = None) → int[source]#

返回分割的数量。

参数:

ypd.Series or pd.Index, optional (default=None): 要分割的时间序列

返回值:

n_splitsint: 分割的数量。

classmethod get_param_defaults()[source]#

获取对象的默认参数。

返回值:

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 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

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

返回值:

param_names: list[str]: cls 的参数名称列表。如果 sort=False，则按它们在类 __init__ 中出现的顺序排列。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：值 dict，包括组件的参数（= BaseObject 值参数）。
如果为 False，将返回此对象的参数名称：值 dict，但不包括组件的参数。

返回值:

params键为 str 的 dict

参数字典，包括 paramname : paramvalue 键值对：

始终：此对象的所有参数，如通过 get_param_names 获取。值是该键的参数值，此对象的值始终与构造时传递的值相同。
如果 deep=True，也包含组件参数的键/值对。组件的参数索引为 [componentname]__[paramname]。componentname 的所有参数都以 paramname 及其值的形式出现。
如果 deep=True，也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]#

从实例中获取标签值，包括标签级别的继承和覆盖。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

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：

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。

参数:

tag_namestr: 要检索的标签名称
tag_value_default任意类型，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

返回值:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，且 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。: 如果 tag_name 不在 self.get_tags().keys() 中，则引发 ValueError。

get_tags()[source]#

从实例中获取标签，包括标签级别的继承和覆盖。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

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

值是相应的标签值，覆盖优先级按降序排列如下：

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。

返回值:

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，然后是 _tags_dynamic 对象属性中的任何覆盖和新标签。

is_composite()[source]#

检查对象是否由其他 BaseObjects 组成。

复合对象是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。

返回值:

composite: bool: 对象是否具有任何参数，其值是 BaseObject 的后代实例。

classmethod load_from_path(serial)[source]#

从文件位置加载对象。

参数:

serialZipFile(path).open(“object) 的结果

返回值:

反序列化的自身，结果输出到 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) 输出的第一个元素

返回值:

反序列化的自身，结果输出为 serial，是 cls.save(None) 的输出

reset()[source]#

将对象重置为干净的初始化后状态。

结果是将 self 设置为构造函数调用后直接拥有的状态，具有相同的超参数。通过 set_config 设置的配置值也会保留。

调用 reset 会删除所有对象属性，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”的属性会被保留。
配置属性，配置保持不变。也就是说，在 reset 前后调用 get_config 的结果是相等的。

类方法、对象方法和类属性也不受影响。

等同于 clone，不同之处在于 reset 修改 self，而不是返回一个新对象。

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

返回值:

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')[源代码]#

将序列化的自身保存到类似字节的对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中序列化的自身对象；如果 path 是文件位置，则将自身存储在该位置作为 zip 文件

保存的文件是包含以下内容的 zip 文件：_metadata - 包含自身的类，即 type(self) _obj - 序列化的自身对象。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，自身将保存到内存对象中；如果为文件位置，自身将保存到该文件位置。如果

path=”estimator”，则将在当前工作目录 (cwd) 创建一个 zip 文件 estimator.zip。
path=”/home/stored/estimator”，则将

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。可用选项有“pickle”和“cloudpickle”。请注意，非默认格式可能需要安装其他软依赖。

返回值:

如果 path 为 None - 内存中序列化的自身对象
如果 path 为文件位置 - 引用文件的 ZipFile

set_config(**config_dict)[源代码]#

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”（默认值），或 “text”

Jupyter kernel 如何显示自身对象实例

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

print_changed_onlybool, 默认值=True

打印自身时是仅列出与默认值不同的自身参数 (False)，还是列出所有参数名称和值 (False)。不会嵌套，即仅影响自身，不影响组件估计器。

warningsstr, “on”（默认值），或 “off”

是否发出警告，仅影响来自 sktime 的警告

“on” = 将发出来自 sktime 的警告
“off” = 将不会发出来自 sktime 的警告

backend:parallelstr, 可选的, 默认值=”None”

用于广播/矢量化时的并行化后端，可选值之一

“None”: 按顺序执行循环，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，需要环境中包含 dask 包
“ray”: 使用 ray，需要环境中包含 ray 包

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

作为配置传递给并行化后端的附加参数。有效的键取决于 backend:parallel 的值

“None”: 没有附加参数，backend_params 将被忽略
“loky”, “multiprocessing” 和 “threading”: 默认的 joblib 后端任何对 joblib.Parallel 有效的键都可以在此处传递，例如 n_jobs，除了 backend 之外，它由 backend 直接控制。如果未传递 n_jobs，它将默认为 -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。任何对 joblib.Parallel 有效的键都可以在此处传递，例如 n_jobs，在此情况下 backend 必须作为 backend_params 的一个键传递。如果未传递 n_jobs，它将默认为 -1，其他参数将默认为 joblib 的默认值。
“dask”: 任何对 dask.compute 有效的键都可以传递，例如 scheduler
“ray”: 可以传递以下键
- “ray_remote_args”: 对 ray.init 有效的键字典
- “shutdown_ray”: bool, 默认值=True; False 阻止 ray 在
  并行化后关闭。
- “logger_name”: str, 默认值=”ray”; 要使用的日志记录器名称。
- “mute_warnings”: bool, 默认值=False; 如果为 True，则抑制警告

返回值:

self自身引用。

注意

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

set_params(**params)[源代码]#

设置此对象的参数。

该方法适用于简单的 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>。字符串 <parameter>，不带 <component>__，如果这样可以使引用明确，例如，没有两个组件参数具有相同的名称 <parameter>，也可以使用。

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，前提是在 get_params 键中是唯一的。

返回值:

self对自身的引用（参数设置后）

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

为自身设置 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，并保证种子随机生成器之间的伪随机独立性。

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

注意：调用 set_params，即使 self 没有 random_state，或任何组件没有 random_state 参数。因此，set_random_state 将重置任何 scikit-base 对象，即使是没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None, 默认值=None

控制随机整数生成的伪随机数生成器。传入 int 可在多次函数调用中获得可重现的输出。

deepbool，默认值=True

deepbool, 默认值=True

是否在值为 skbase 对象的参数（即组件估计器）中设置随机状态。
如果为 False，将仅设置 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, 其中之一 {“copy”, “keep”, “new”}, 默认值=”copy”
“copy” : self.random_state 被设置为输入的 random_state
“keep” : self.random_state 保持原样

“new” : self.random_state 被设置为新的随机状态，

返回值:

从输入的 random_state 派生，并且通常与它不同

self自身引用

将实例级别标签覆盖设置为给定值。

每个兼容 scikit-base 的对象都带有一个标签字典。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，它们是对象构造后不会更改的静态标志。

set_tags(**tag_dict)[源代码]#

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，字典值是要设置标签的值。

可以通过 get_tags 或 get_tag 检查当前标签值。

参数:

set_tags 方法应仅在对象的 __init__ 方法中调用，即在构建期间，或通过 __init__ 直接构建后调用。: **tag_dictdict

返回值:

标签名称: 标签值对的字典。: Self

自身引用。

获取 y 的训练/测试分割的 iloc 引用。

参数:

split(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[ndarray, ndarray]][源代码]#: 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 格式的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：: traindtype 为 int 的一维 np.ndarray
训练窗口索引，对 y 中训练索引的 iloc 引用: testdtype 为 int 的一维 np.ndarray

测试窗口索引，对 y 中测试索引的 iloc 引用

获取 y 的训练/测试分割的 loc 引用。

参数:

split(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[ndarray, ndarray]][源代码]#: 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 格式的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，则视为等效 pandas 类型容器的索引：pd.DataFrame, pd.Series, pd-multiindex, 或 pd_multiindex_hier mtype

split_loc(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[Index, Index]][源代码]#: trainpd.Index
训练窗口索引，对 y 中训练索引的 loc 引用: testpd.Index

测试窗口索引，对 y 中测试索引的 loc 引用

将 y 分割成训练窗口和测试窗口。

参数:

split(y: Series | DataFrame | ndarray | Index) → Iterator[tuple[ndarray, ndarray]][源代码]#: 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 格式的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，则视为等效 pandas 类型容器的索引：pd.DataFrame, pd.Series, pd-multiindex, 或 pd_multiindex_hier mtype

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