FeatureUnion#

class FeatureUnion(transformer_list, n_jobs=None, transformer_weights=None, flatten_transform_index=True)[source]#

连接多个转换器对象的结果。

此估计器将转换器对象列表并行应用于输入数据，然后连接结果。这对于将多种特征提取机制组合到单个转换器中非常有用。转换的参数可以使用其名称和由“__”分隔的参数名称来设置。通过将其参数设置为另一个转换器，可以将转换器完全替换；或者通过设置为“drop”或 None 来删除。

参数:

transformer_listlist，元素为 (string, transformer) 元组: 要应用于数据的转换器对象列表。每个元组的第一部分是转换器的名称。
n_jobsint 或 None，可选 (默认为 None): 并行运行的作业数。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。
transformer_weightsdict，可选: 每个转换器特征的乘法权重。键是转换器名称，值是权重。
flatten_transform_indexbool，可选 (默认为 True): 如果为 True，返回 DataFrame 的列是平铺的，格式为“transformer__variablename”；如果为 False，列是 MultiIndex (transformer, variablename)。如果返回 mtype 是没有列名的类型，则此参数无效。

属性:

is_fitted: 是否已调用 fit 方法。

方法

`check_is_fitted`([method_name])	检查估计器是否已拟合。
`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一个实例。
`create_test_instances_and_names`([parameter_set])	创建所有测试实例及其名称的列表。
`fit`(X[, y])	将转换器拟合到 X，可选拟合到 y。
`fit_transform`(X[, y])	拟合数据，然后进行变换。
`get_class_tag`(tag_name[, tag_value_default])	从类中获取类标签值，并继承父类的标签级别。
`get_class_tags`()	从类中获取类标签，并继承父类的标签级别。
`get_config`()	获取对象的配置标志。
`get_fitted_params`([deep])	获取已拟合参数。
`get_param_defaults`()	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])	获取估计器的参数。
`get_tag`(tag_name[, tag_value_default, ...])	从实例中获取标签值，并继承标签级别和覆盖。
`get_tags`()	从实例中获取标签，并继承标签级别和覆盖。
`get_test_params`([parameter_set])	FeatureUnion 的测试参数。
`inverse_transform`(X[, y])	对 X 进行逆变换并返回逆变换后的版本。
`is_composite`()	检查对象是否是复合对象。
`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])	将序列化的对象自身保存到字节类对象或到 (.zip) 文件。
`set_config`(**config_dict)	将配置标志设置为给定值。
`set_params`(**kwargs)	设置估计器的参数。
`set_random_state`([random_state, deep, ...])	为对象自身设置 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。
`transform`(X[, y])	变换 X 并返回变换后的版本。
`update`(X[, y, update_params])	使用 X 更新转换器，可选地使用 y。

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，则引发 NotFittedError。

参数:

method_namestr，可选: 调用此方法的函数名称。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。

克隆是不同的对象，没有共享引用，处于初始化后状态。此函数等同于返回 self 的 sklearn.clone。

等同于构造一个 type(self) 的新实例，其参数与 self 相同，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())。

在值上也等同于调用 self.reset，但 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果克隆不符合要求，则由于 __init__ 错误而引发 RuntimeError。

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 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，在对象构建后不会改变。

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，在构建期间或通过 __init__ 构建后直接调用。

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

tag_names 的默认值是将 estimator 中的所有标签写入到 self。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

estimator:class:BaseObject 或派生类的一个实例
tag_namesstr 或 str 列表，默认为 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，默认为“default”: 要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，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]#

创建所有测试实例及其名称的列表。

参数:

parameter_setstr，默认为“default”: 要返回的测试参数集的名称，用于测试。如果某个值没有定义特殊参数，将返回 “default” 集。

返回:

objscls 的实例列表: 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__}

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

将转换器拟合到 X，可选拟合到 y。

状态改变: 将状态更改为“已拟合”("fitted")。

写入自身

设置以“_”结尾的已拟合模型属性，已拟合属性可通过 get_fitted_params 查看。

将 self.is_fitted 标志设置为 True。

如果 self.get_tag("remember_data") 为 True，则将 X 记忆为 self._X，强制转换为 self.get_tag("X_inner_mtype") 指定的类型。

参数:

Xsktime 兼容数据容器格式的时间序列

用于拟合和变换的数据。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了一个抽象的 scitype。

Series scitype = 单个时间序列。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame
Hierarchical scitype = 分层时间序列集合。pd.DataFrame 带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关用法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime 兼容数据格式的数据，默认为 None

额外数据，例如用于转换的标签。如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，不可选。所需格式请参见类文档字符串了解详细信息。

返回:

self估计器的一个已拟合实例

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

拟合数据，然后进行变换。

将转换器拟合到 X 和 y，并返回 X 的变换版本。

状态改变: 将状态更改为“已拟合”("fitted")。

写入自身: _is_fitted : 标志设置为 True。_X : X 的强制副本，如果 remember_data 标签为 True

如果可能，通过引用强制转换为内部类型或 update_data 兼容类型

模型属性（以“_”结尾）: 取决于估计器

参数:

Xsktime 兼容数据容器格式的时间序列

用于拟合和变换的数据，以及要变换的数据。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了一个抽象的 scitype。

Series scitype = 单个时间序列。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame
Hierarchical scitype = 分层时间序列集合。pd.DataFrame 带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关用法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime 兼容数据格式的数据，默认为 None

额外数据，例如用于转换的标签。如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，不可选。所需格式请参见类文档字符串了解详细信息。

返回:

X 的变换版本

类型取决于 X 的类型和 scitype:transform-output 标签

X | tf-output | 返回类型 |

|----------|————–|------------------------|
| Series | Primitives | pd.DataFrame (1 行) |
| Panel | Primitives | pd.DataFrame |
| Series | Series | Series |
| Panel | Series | Panel |
| Series | Panel | Panel |

返回中的实例对应于 X 中的实例

表中未列出的组合目前不受支持

具体示例

如果 X 是 Series (例如，pd.DataFrame)

并且 transform-output 是 Series，则返回是相同 mtype 的单个 Series。示例：对单个时间序列进行去趋势

如果 X 是 Panel (例如，pd-multiindex) 并且 transform-output

是 Series，则返回是与 X 具有相同实例数的 Panel（转换器应用于每个输入的 Series 实例）。示例：面板中的所有时间序列都被单独去趋势

如果 X 是 Series 或 Panel 并且 transform-output 是

Primitives，则返回是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个时间序列的均值和方差

如果 X 是 Series 并且 transform-output 是 Panel，

则返回是 pd-multiindex 类型的 Panel 对象。示例：输出的第 i 个实例是运行在 X 上的第 i 个窗口

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

从类中获取类标签值，并继承父类的标签级别。

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 的标签值，考虑标签覆盖，优先级从高到低依次为：

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。

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

要检索可能带有实例覆盖的标签值，请改用 get_tag 方法。

参数:

tag_namestr: 标签值的名称。
tag_value_default任意类型: 如果未找到标签的默认值/备用值。

返回:

tag_value: tag_name 标签在 self 中的值。如果未找到，则返回 tag_value_default。

classmethod get_class_tags()[source]#

从类中获取类标签，并继承父类的标签级别。

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，在对象构建后不会改变。

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 _tags 属性的任何键。

值是相应的标签值，覆盖按以下降序优先级排列：

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。

实例可以根据超参数覆盖这些标签。

要检索可能带有实例覆盖的标签，请改用 get_tags 方法。

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

要包含动态标签的覆盖，请使用 get_tags。

collected_tagsdict: 标签名称 : 标签值对的字典。通过嵌套继承从 _tags 类属性收集。不会被 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 调用中保留。

返回:

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_fitted_params(deep=True)[source]#

获取已拟合参数。

所需状态: 要求状态为“已拟合”("fitted")。

参数:

deepbool，默认为 True

是否返回组件的已拟合参数。

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

返回:

fitted_params键为 str 类型的 dict

已拟合参数的字典，paramname : paramvalue 键值对包括

始终：此对象的所有已拟合参数，如通过 get_param_names 获取，值是此对象该键的已拟合参数值
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 及其值的形式出现
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。值是在 __init__ 中定义的默认值。

类方法 get_param_names(sort=True)[source]#

获取对象的参数名称。

参数:

sortbool，默认值为 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:

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

get_params(deep=True)[source]#

获取估计器的参数。

参数:

deepboolean，可选: 如果为 True，将返回此估计器和包含的子对象（如果它们是估计器）的参数。

返回:

params字符串到任意类型的映射: 参数名称映射到其值。

get_tag(tag_name, tag_value_default=None, raise_error=True)[source]#

从实例中获取标签值，并继承标签级别和覆盖。

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，在对象构建后不会改变。

get_tag 方法从实例中检索名为 tag_name 的单个标签的值，同时考虑标签覆盖的优先级，优先级顺序如下（降序）：

通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构建时设置的。

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任意类型，可选；默认值为 None: 如果未找到标签，则使用默认/回退值。
raise_errorbool: 当未找到标签时是否引发 ValueError 错误。

返回:

tag_valueAny: self 中 tag_name 标签的值。如果未找到，当 raise_error 为 True 时引发错误，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，并继承标签级别和覆盖。

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，在对象构建后不会改变。

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，覆盖按以下降序优先级排列：

通过实例上的 set_tags 或 clone_tags 设置的标签，

在实例构建时设置的。

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。

类方法 get_test_params(parameter_set='default')[source]#: FeatureUnion 的测试参数。

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

对 X 进行逆变换并返回逆变换后的版本。

当前假设只有带有标签: “scitype:transform-input”=”Series”，”scitype:transform-output”=”Series”，

的转换器具有 inverse_transform 方法。

所需状态: 要求状态为“已拟合”("fitted")。

在 self 中访问

以 “_” 结尾的已拟合模型属性。

self.is_fitted，必须为 True。

参数:

Xsktime 兼容数据容器格式的时间序列

用于拟合和变换的数据。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了一个抽象的 scitype。

Series scitype = 单个时间序列。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame
Hierarchical scitype = 分层时间序列集合。pd.DataFrame 带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关用法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime 兼容数据格式的数据，默认为 None

额外数据，例如用于转换的标签。一些转换器需要此数据，详情请参阅类文档字符串。

返回:

X 的逆变换版本。: 与 X 类型相同，并符合 mtype 格式规范。

is_composite()[source]#

检查对象是否是复合对象。

复合对象是指包含其他对象作为参数的对象。由于这可能因实例而异，因此在其上调用此方法。

返回:

composite: bool，self 是否包含一个参数是 BaseObject。

属性 is_fitted[source]#

是否已调用 fit 方法。

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: 估计器是否已进行 fit。

类方法 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:

反序列化后的 self，其结果位于 path，是 cls.save(path) 的输出。

类方法 load_from_serial(serial)[source]#

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

返回:

反序列化后的 self，其结果是 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。

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 设置的配置值也保留。

一个 reset 调用会删除任何对象属性，除了

超参数 = 写入 self 的 __init__ 的参数，例如 self.paramname，其中 paramname 是 __init__ 的参数
包含双下划线（即字符串 “__”）的对象属性。例如，名为 “__myattr” 的属性会被保留。
配置属性，配置会被保留，不会改变。也就是说，reset 前后 get_config 的结果是相等的。

类方法和对象方法，以及类属性也不受影响。

等同于 clone，区别在于 reset 修改 self 而不是返回一个新对象。

在调用 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:

self: 类实例重置为干净的后初始化状态，但保留当前超参数值。

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

将序列化的对象自身保存到字节类对象或到 (.zip) 文件。

行为：如果 path 为 None，则返回内存中的序列化 self；如果 path 是文件位置，则将 self 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 self 的类，即 type(self)；_obj - 序列化后的 self。此类别使用默认序列化（pickle）。

参数:

pathNone 或文件位置 (str 或 Path)

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

path="estimator" 则会在当前工作目录创建一个 zip 文件 estimator.zip。
path="/home/stored/estimator" 则会在 /home/stored/ 中创建一个 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:

如果 path 为 None - 内存中的序列化 self
如果 path 是文件位置 - 引用该文件的 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：配置值对的字典。有效的配置、值及其含义如下所列。

displaystr，“diagram”（默认）或“text”

jupyter 内核如何显示 self 的实例。

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

print_changed_onlybool，默认值为 True

打印 self 时是否仅列出与默认值不同的 self 参数 (True)，或列出所有参数名称和值 (False)。不进行嵌套，即仅影响 self 而不影响组件估计器。

warningsstr，“on”（默认）或“off”

是否引发警告，仅影响 sktime 的警告。

“on” = 将引发来自 sktime 的警告。
“off” = 不会引发来自 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，可选值之一：

“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化后端的附加参数。有效的键取决于 backend:parallel 的值。

“None”：无附加参数，backend_params 被忽略。
“loky”，“multiprocessing” 和 “threading”：默认的 joblib 后端。这里可以传递任何有效的 joblib.Parallel 的键，例如 n_jobs，但 backend 除外，它由 backend 直接控制。如果未传递 n_jobs，则默认值为 -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。这里可以传递任何有效的 joblib.Parallel 的键，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，则默认值为 -1，其他参数将默认为 joblib 的默认值。
“dask”：可以传递任何有效的 dask.compute 的键，例如 scheduler。
“ray”：可以传递以下键：
- “ray_remote_args”：ray.init 的有效键的字典。
- “shutdown_ray”：bool，默认值 = True；False 可防止 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，则禁止警告。

input_conversionstr，“on”（默认）、“off”或有效的 mtype 字符串之一

控制 _fit、_transform、_inverse_transform、_update 的输入检查和转换。

"on" - 执行输入检查和转换。
"off" - 在将数据传递给内部方法之前，不执行输入检查和转换。
有效的 mtype 字符串 - 假设输入是指定的 mtype，执行转换但不进行检查。

output_conversionstr，“on”、“off”、有效的 mtype 字符串之一

控制 _transform、_inverse_transform 的输出转换。

"on" - 如果 input_conversion 为 “on”，则执行输出转换。
"off" - 直接返回 _transform、_inverse_transform 的输出。
有效的 mtype 字符串 - 输出被转换为指定的 mtype。

返回:

self对 self 的引用。

Notes

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

set_params(**kwargs)[source]#

设置估计器的参数。

有效的参数键可以通过 get_params() 列出。

返回:

self返回 self 的一个实例。

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

为对象自身设置 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，通过链式哈希 (chain hashing) 使用 sample_dependent_seed 采样。这些整数保证了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 时应用于剩余的组件对象。

注意：即使 self 没有 random_state 参数，或者没有任何组件有 random_state 参数，也会调用 set_params。因此，set_random_state 将重置任何 scikit-base 对象，即使是没有 random_state 参数的对象。

参数:

random_stateint, RandomState 实例或 None，默认值 = None

用于控制生成随机整数的伪随机数生成器。传入 int 值可确保多次函数调用产生可重现的输出。

deepbool，默认为 True

是否在值为 skbase 对象的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，也将设置组件对象中的 random_state 参数。

self_policystr，可选值之一 {“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 设置为一个新的随机状态，

从输入 random_state 派生，通常与输入值不同。

返回:

self对 self 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，用于存储对象的元数据。

标签是特定于实例 self 的键值对，它们是构建对象后不会改变的静态标志。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 方法应仅在对象的 __init__ 方法中（在构造期间）或通过 __init__ 调用后直接调用。

当前标签值可以通过 get_tags 或 get_tag 进行检查。

参数:

**tag_dictdict: 标签名称：标签值对的字典。

返回:

Self: 对 self 的引用。

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

变换 X 并返回变换后的版本。

所需状态: 要求状态为“已拟合”("fitted")。

在 self 中访问

以 “_” 结尾的已拟合模型属性。

self.is_fitted，必须为 True。

参数:

Xsktime 兼容数据容器格式的时间序列

要转换的数据。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了一个抽象的 scitype。

Series scitype = 单个时间序列。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame
Hierarchical scitype = 分层时间序列集合。pd.DataFrame 带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关用法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime 兼容数据格式的数据，默认为 None

额外数据，例如用于转换的标签。一些转换器需要此数据，详情请参阅类文档字符串。

返回:

X 的变换版本
类型取决于 X 的类型和 scitype:transform-output 标签

	transform
X	-输出	返回类型
Series	Primitives	pd.DataFrame (1行)
Panel	Primitives	pd.DataFrame
Series	Series	Series
Panel	Series	Panel
Series	Panel	Panel

返回中的实例对应于 X 中的实例

表中未列出的组合目前不受支持

具体示例

如果 X 是 Series (例如，pd.DataFrame)

并且 transform-output 是 Series，则返回是相同 mtype 的单个 Series。示例：对单个时间序列进行去趋势

如果 X 是 Panel (例如，pd-multiindex) 并且 transform-output

是 Series，则返回是与 X 具有相同实例数的 Panel（转换器应用于每个输入的 Series 实例）。示例：面板中的所有时间序列都被单独去趋势

如果 X 是 Series 或 Panel 并且 transform-output 是

Primitives，则返回是 pd.DataFrame，其行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个时间序列的均值和方差

如果 X 是 Series 并且 transform-output 是 Panel，

则返回是 pd-multiindex 类型的 Panel 对象。示例：输出的第 i 个实例是运行在 X 上的第 i 个窗口

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

使用 X 更新转换器，可选地使用 y。

所需状态: 要求状态为“已拟合”("fitted")。

在 self 中访问

以 “_” 结尾的已拟合模型属性。

self.is_fitted，必须为 True。

写入自身

以 “_” 结尾的已拟合模型属性。

如果 remember_data 标签为 True，则通过 update_data 将值写入 self._X，并通过 X 中的值进行更新。

参数:

Xsktime 兼容数据容器格式的时间序列

用于更新转换的数据。

sktime 中的个体数据格式是所谓的 mtype 规范，每种 mtype 都实现了一个抽象的 scitype。

Series scitype = 单个时间序列。pd.DataFrame, pd.Series, 或 np.ndarray (1D 或 2D)
Panel scitype = 时间序列集合。pd.DataFrame 带有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)，list 包含 Series 类型的 pd.DataFrame
Hierarchical scitype = 分层时间序列集合。pd.DataFrame 带有 3 级或更多级行 MultiIndex (hierarchy_1, ..., hierarchy_n, time)

有关数据格式的更多详细信息，请参阅 mtype 术语表。有关用法，请参阅转换器教程 examples/03_transformers.ipynb

y可选，sktime 兼容数据格式的数据，默认为 None

额外数据，例如用于转换的标签。一些转换器需要此数据，详情请参阅类文档字符串。

返回:

self估计器的一个已拟合实例