ReducerTransform

class ReducerTransform(lags=0, freq=None, shifted_vars=None, shifted_vars_lag=0, shifted_vars_freq=None, transformers=None, impute_method='bfill')

用于预测降维的转换器。通过滞后和转换准备表格形式的 X/y。

参数:

window_lengthint, 可选, 默认值=0

降维算法中使用的窗口长度

lags滞后偏移量，或滞后偏移量的列表，可选，默认值=0（恒等转换）

“滞后偏移量”可以是以下之一： int - 要移动/滞后的周期数 类似时间：DateOffset、tseries.offsets 或 timedelta

要移动/滞后的时间差偏移量要求转换后的数据的时间索引是类似时间的（而非 int）

str - 来自 pandas.tseries 模块的时间规则，例如，“EOM”

freq频率描述符或频率描述符列表，可选，默认值=None

如果传递，必须是标量，或者与 lags 参数长度相等的列表 freq 中的元素对应于 lags 中的元素 如果 freq 的第 i 个元素不是 None，则 lags 的第 i 个元素必须是 int

下面将此称为“相应的 lags 元素”

“频率描述符”可以是以下之一： 类似时间：DateOffset、tseries.offsets 或 timedelta

移动时乘以相应的 lags 元素

str - 来自 pd.tseries 模块的偏移量，例如，“D”、“M”，或时间规则，例如，“EOM”

shifted_varsNone

shifted_vars_lag0

shifted_vars_freq

transformerssktime 时间序列到时间序列转换器，或其列表

应用于 y 的附加转换。这些被添加到 lags 中，作为输出中的单独列，不应用于滞后数据。

impute_methodstr, None, 或 sktime 转换，可选

用于处理滞后数据中缺失值的插补方法

• 默认值=”bfill”

• 如果是 str，可接受的字符串是 Imputer.method 参数的值，请参阅那里。要传递更多参数，请直接传递 Imputer 转换器，如下所述。

• 如果是 sktime 转换器，则此转换器应用于滞后数据。这需要是一个移除缺失数据的转换器，并且可以是 Imputer。

• 如果是 None，则在应用 Lag 转换器时不进行插补

属性:

is_fitted

是否已调用 fit。

示例

>>> from sktime.datasets import load_airline
>>> from sktime.transformations.series.lag import Lag
>>> X = load_airline()

单个滞后将产生一个具有相同变量的时间序列

>>> t = Lag(2)
>>> Xt = t.fit_transform(X)

可以提供多个滞后，这将导致多列输出

>>> t = Lag([2, 4, -1])
>>> Xt = t.fit_transform(X)

index_out 的默认设置将在两侧扩展索引。为确保转换后索引保持不变，请使用 index_out=”original”

>>> t = Lag([2, 4, -1], index_out="original")
>>> Xt = t.fit_transform(X)

滞后转换器可能会（并且通常会）创建 NA。（除非 index_out=”shift” 并且只有一个滞后，或在简单情况下）这可能需要处理，例如，如果后续的管道步骤不接受 NA。要处理 NA，请使用 Imputer 组合到管道中。

>>> from sktime.datasets import load_airline
>>> from sktime.transformations.series.impute import Imputer
>>> from sktime.transformations.series.lag import Lag
>>> X = load_airline()
>>>
>>> t = Lag([2, 4, -1]) * Imputer("nearest")
>>> Xt = t.fit_transform(X)

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建类的一个实例。
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])	将转换器拟合到 X，可选地到 y。
fit_transform(X[, y])	拟合到数据，然后对其进行转换。
get_class_tag(tag_name[, tag_value_default])	从类中获取类标签值，具有来自父类的标签级别继承。
get_class_tags()	从类中获取类标签，具有来自父类的标签级别继承。
get_config()	获取自身的配置标志。
get_fitted_params([deep])	获取已拟合的参数。
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, ...])	从实例中获取标签值，具有标签级别继承和覆盖。
get_tags()	从实例中获取标签，具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。
inverse_transform(X[, y])	对 X 进行逆转换并返回逆转换后的版本。
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()	将对象重置为构造函数调用后的干净状态。
save([path, serialization_format])	将序列化后的自身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])	转换 X 并返回转换后的版本。
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)

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()

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，处于后初始化状态。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，具有 self 的参数，即 type(self)(**self.get_params(deep=False))。

如果在 self 上设置了配置，则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())。

值也等同于调用 self.reset，区别在于 clone 返回一个新对象，而不是像 reset 那样修改 self。

引发:

如果由于 __init__ 故障导致克隆不符合要求，则运行时错误。

clone_tags(estimator, tag_names=None)

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。标签可用于存储有关对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

应仅在对象的 __init__ 方法中、构造期间或通过 __init__ 直接调用后调用 clone_tags 方法。

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

tag_names 的默认设置会将 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。

estimator:class:BaseObject 或派生类的实例

参数:

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:

self

指向 self 的引用。

classmethod create_test_instance(parameter_set='default')

parameter_setstr，默认值=”default”

使用第一个测试参数集构建类的一个实例。

参数:

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” 集。

instance具有默认参数的类实例

self

classmethod create_test_instances_and_names(parameter_set='default')

objscls 实例列表

创建所有测试实例的列表及其名称列表。

参数:

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” 集。

instance具有默认参数的类实例

self

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

namesstr 列表，长度与 objs 相同

第 i 个元素是测试中第 i 个 obj 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)

状态变化

将转换器拟合到 X，可选地到 y。

将状态更改为“fitted”。

写入自身

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 检查。

• 设置 self.is_fitted 标志为 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")。

• Xsktime 兼容数据容器格式的时间序列

参数:

用于拟合转换的数据。

sktime 中的单个数据格式是所谓的mtype规范，每个 mtype 都实现了一个抽象的科学类型 (scitype)。

“Series”科学类型 = 单个时间序列。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)

• “Panel”科学类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)， Series 类型的 pd.DataFrame list

• “Hierarchical”科学类型 = 时间序列分层集合。pd.DataFrame 具有 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词汇表。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，默认值=None

附加数据，例如转换的标签 如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，非可选。所需格式，请参阅类文档字符串了解详细信息。

self估计器的拟合实例

self

fit_transform(X, y=None)

将转换器拟合到 X 和 y，并返回 X 的转换版本。

拟合到数据，然后对其进行转换。

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

将状态更改为“fitted”。

写入自身

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

用于拟合转换的数据以及要转换的数据。

参数:

用于拟合转换的数据。

X 的转换版本

“Series”科学类型 = 单个时间序列。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)

• “Panel”科学类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)， Series 类型的 pd.DataFrame list

• “Hierarchical”科学类型 = 时间序列分层集合。pd.DataFrame 具有 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词汇表。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，默认值=None

附加数据，例如转换的标签 如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，非可选。所需格式，请参阅类文档字符串了解详细信息。

self估计器的拟合实例

self

类型取决于 X 的类型和科学类型: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

表格中未列出的组合目前不受支持

明确说明，附带示例

如果 X 是 Series (例如，pd.DataFrame)

• 并且 transform-output 是 Series，则返回一个相同 mtype 的 Series。示例：对单个序列进行去趋势

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

• 是 Series，则返回的 Panel 实例数与 X 相同（转换器应用于每个输入的 Series 实例）。示例：Panel 中的所有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 pd.DataFrame，行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差

如果 X 是 Series 并且 transform-output 是 Panel，

• 则返回一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是在 X 上运行的第 i 个窗口

classmethod get_class_tag(tag_name, tag_value_default=None)

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

从类中获取类标签值，具有来自父类的标签级别继承。

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。

它返回名称为 tag_name 的标签在对象中的值，考虑到标签覆盖，优先级从高到低依次是

在类的 _tags 属性中设置的标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按照继承顺序。

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

要使用潜在的实例覆盖来检索标签值，请改用 get_tag 方法。

tag_namestr

参数:

标签值的名称。

tag_value_default任意类型

如果未找到标签，则使用的默认/回退值。

tag_value

self

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

classmethod get_class_tags()

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。

从类中获取类标签，具有来自父类的标签级别继承。

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

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

它返回一个字典，其中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，覆盖优先级从高到低依次是

实例可以根据超参数覆盖这些标签。

1. 在父类的 _tags 属性中设置的标签，

2. 按照继承顺序。

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

要使用潜在的实例覆盖来检索标签，请改用 get_tags 方法。

对于包含动态标签的覆盖，请使用 get_tags。

要使用潜在的实例覆盖来检索标签值，请改用 get_tag 方法。

collected_tagsdict

标签名 : 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()

配置是 self 的键值对，通常用作控制行为的临时标志。

获取自身的配置标志。

get_config 返回动态配置，动态配置覆盖默认配置。

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

配置在 clone 或 reset 调用后会保留。

config_dictdict

self

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)

所需状态

获取已拟合的参数。

需要状态为“fitted”。

deepbool, 默认值=True

参数:

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 : 值字典，包括可拟合组件 (= BaseEstimator 值参数) 的拟合参数。

• 如果为 False，将返回此对象的参数名 : 值字典，但不包括组件的拟合参数。

• fitted_params键为 str 类型的字典

self

拟合参数字典，键值对包括 paramname : paramvalue

总是包含：此对象的所有拟合参数，如通过 get_param_names 获取的值为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 组件参数索引为 [componentname]__[paramname] componentname 的所有参数以 paramname 及其值出现

• 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()

获取对象的默认参数。

default_dict: dict[str, Any]

self

cls 的所有在 __init__ 中定义了默认值的参数作为键。值为 __init__ 中定义的默认值。

classmethod get_param_names(sort=True)

获取对象的参数名称。

sortbool, 默认值=True

参数:

是按字母顺序排序返回参数名称 (True)，还是按其在类 __init__ 中的出现顺序返回 (False)。

param_names: list[str]

self

cls 的参数名称列表。如果 sort=False，则按其在类 __init__ 中的出现顺序。如果 sort=True，则按字母顺序排序。

get_params(deep=True)

是否返回组件的参数。

获取此对象的参数值字典。

参数:

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 : 值 的 dict，包括组件（=BaseObject 值参数）的参数。

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

• params键为 str 类型的字典

self

参数字典，键值对包括 paramname : paramvalue

总是包含：此对象的所有参数，如通过 get_param_names 获取的值为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 组件参数索引为 [componentname]__[paramname] componentname 的所有参数以 paramname 及其值出现

• 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)

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，优先级从高到低依次是

从实例中获取标签值，具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。标签可用于存储有关对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

通过实例上的 set_tags 或 clone_tags 设置的标签，

1. 在实例构造时。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按照继承顺序。

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

参数:

标签值的名称。

tag_value_default任意类型，可选；默认值=None

如果未找到标签，则使用的默认/回退值

raise_errorbool

未找到标签时是否引发 ValueError

tag_valueAny

self

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

ValueError，如果 raise_error 为 True。

引发:

当 tag_name 不在 self.get_tags().keys() 中时，会引发 ValueError。

get_tags()

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

从实例中获取标签，具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。标签可用于存储有关对象的元数据，或控制对象的行为。

clone_tags 从另一个对象 estimator 设置动态标签覆盖。

collected_tagsdict

实例可以根据超参数覆盖这些标签。

1. 在实例构造时。

要检索的标签名称

2. 在父类的 _tags 属性中设置的标签，

3. 按照继承顺序。

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

self

标签名 : 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。

inverse_transform(X, y=None)

目前假定只有具有标签

对 X 进行逆转换并返回逆转换后的版本。

“scitype:transform-input”=”Series”, “scitype:transform-output”=”Series”,

的转换器具有 inverse_transform。

访问自身属性

需要状态为“fitted”。

deepbool, 默认值=True

以“_”结尾的拟合模型属性。

• self.is_fitted，必须为 True

• 附加数据，例如转换的标签。某些转换器需要此项，详细信息请参阅类文档字符串。

参数:

用于拟合转换的数据。

sktime 中的单个数据格式是所谓的mtype规范，每个 mtype 都实现了一个抽象的科学类型 (scitype)。

“Series”科学类型 = 单个时间序列。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)

• “Panel”科学类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)， Series 类型的 pd.DataFrame list

• “Hierarchical”科学类型 = 时间序列分层集合。pd.DataFrame 具有 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词汇表。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，默认值=None

附加数据，例如转换的标签 如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，非可选。所需格式，请参阅类文档字符串了解详细信息。

X 的逆转换版本

self

与 X 类型相同，且符合 mtype 格式规范

is_composite()

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。

检查对象是否由其他 BaseObjects 组成。

composite: bool

self

对象是否有任何参数其值是 BaseObject 的派生实例。

property is_fitted

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

是否已调用 fit。

bool

self

估计器是否已 fit。

classmethod load_from_path(serial)

serialZipFile(path).open(“object) 的结果

从文件位置加载对象。

参数:

在 path 处的输出中，来自 cls.save(path) 的反序列化自身

self

classmethod load_from_serial(serial)

serialcls.save(None) 输出的第一个元素

从序列化内存容器加载对象。

参数:

反序列化自身，产生 cls.save(None) 的输出 serial

self

reset()

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

将对象重置为构造函数调用后的干净状态。

reset 调用会删除所有对象属性，除了

超参数 = 写入自身 __init__ 的参数，例如 self.paramname，其中 paramname 是 __init__ 的一个参数

• 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，配置会保持不变。也就是说，get_config 在 reset 前后的结果是相同的。

• 类和对象方法以及类属性也不受影响。

相当于 clone，不同之处在于 reset 修改自身而不是返回一个新对象。

类似于 clone，区别在于 reset 修改 self 本身而不是返回一个新的对象。

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

self

指向 self 的引用。

类实例被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')

将序列化后的自身保存到字节类对象或 (.zip) 文件。

行为：如果 path 为 None，则返回一个内存中的序列化对象 self；如果 path 是文件位置，则将 self 以 zip 文件的形式存储在该位置。

保存的文件是包含以下内容的 zip 文件：_metadata - 包含 self 的类，即 type(self)；_obj - 序列化的 self。此类使用默认的序列化方式 (pickle)。

参数:

pathNone 或文件位置 (str 或 Path)

如果为 None，则将 self 保存为内存中的对象；如果是文件位置，则将 self 保存到该文件位置。如果

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

• path=”/home/stored/estimator”，则将在

存储到 /home/stored/ 中。

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。

self

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)

将配置标志设置为给定值。

参数:

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。

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 self 的实例

• “diagram” = HTML 盒图表示

• “text” = 字符串打印输出

print_changed_onlybool，默认=True

打印 self 时是否只列出与默认值不同的 self 参数 (True 时)，或列出所有参数名称和值 (False 时)。不进行嵌套，即只影响 self，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” = 将不引发来自 sktime 的警告

backend:parallelstr，可选，默认=”None”

广播/向量化时用于并行处理的后端，选项之一：

• “None”：按顺序执行循环，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={}（不传递参数）

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

• “None”：无附加参数，忽略 backend_params

• “loky”、“multiprocessing” 和 “threading”：默认 joblib 后端，可在此处传递 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。可在此处传递 joblib.Parallel 的任何有效键，例如 n_jobs。在这种情况下，backend 必须作为 backend_params 的一个键传递。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=True；False 防止 ray 在

    并行处理后关闭。

  • “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

input_conversionstr，选项之一：“on”（默认），“off”，或有效的 mtype 字符串

控制输入检查和转换，适用于 _fit、_transform、_inverse_transform、_update

• "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 - 假定输入为指定的 mtype，执行转换但不进行检查

output_conversionstr，选项之一：“on”，“off”，有效的 mtype 字符串

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

self

self对自身的引用。

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。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>。如果引用明确无歧义（例如，没有任何两个组件的参数名称相同），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。

self

self对自身的引用（设置参数后）

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

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。这些整数是通过 sample_dependent_seed 从链式哈希中采样得出的，并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，当且仅当 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

伪随机数生成器，用于控制随机整数的生成。传递整数以实现多次函数调用之间的可复现输出。

是否返回组件的拟合参数。

是否在 skbase 对象值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，则也会设置组件对象中的 random_state 参数。

self_policystr，选项之一：{“copy”, “keep”, “new”}，默认=”copy”

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

• “keep” : self.random_state 保持不变

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

从输入的 random_state 派生，通常与其不同

self

self对自身的引用

set_tags(**tag_dict)

将实例级别标签覆盖设置为给定值。

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。

标签是特定于实例 self 的键值对，它们是对象构造后不改变的静态标志。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 方法只能在对象的 __init__ 方法中，即在构造期间，或通过 __init__ 直接构造后调用。

estimator:class:BaseObject 或派生类的实例

参数:

**tag_dictdict

标签名称 : 标签值对的字典。

self

Self

对自身的引用。

transform(X, y=None)

转换 X 并返回转换后的版本。

需要状态为“fitted”。

deepbool, 默认值=True

以“_”结尾的拟合模型属性。

• self.is_fitted，必须为 True

• 附加数据，例如转换的标签。某些转换器需要此项，详细信息请参阅类文档字符串。

参数:

用于拟合转换的数据。

要转换的数据。

“Series”科学类型 = 单个时间序列。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)

• “Panel”科学类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)， Series 类型的 pd.DataFrame list

• “Hierarchical”科学类型 = 时间序列分层集合。pd.DataFrame 具有 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词汇表。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，默认值=None

附加数据，例如转换的标签 如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，非可选。所需格式，请参阅类文档字符串了解详细信息。

X 的逆转换版本

self

类型取决于 X 的类型和科学类型:transform-output 标签

X | tf-output | 返回类型 |

	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

表格中未列出的组合目前不受支持

明确说明，附带示例

如果 X 是 Series (例如，pd.DataFrame)

• 并且 transform-output 是 Series，则返回一个相同 mtype 的 Series。示例：对单个序列进行去趋势

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

• 是 Series，则返回的 Panel 实例数与 X 相同（转换器应用于每个输入的 Series 实例）。示例：Panel 中的所有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 pd.DataFrame，行数与 X 中的实例数相同。示例：返回的第 i 行包含第 i 个序列的均值和方差

如果 X 是 Series 并且 transform-output 是 Panel，

• 则返回一个类型为 pd-multiindex 的 Panel 对象。示例：输出的第 i 个实例是在 X 上运行的第 i 个窗口

classmethod get_class_tag(tag_name, tag_value_default=None)

update(X, y=None, update_params=True)

使用 X 更新转换器，可选地使用 y。

需要状态为“fitted”。

deepbool, 默认值=True

以“_”结尾的拟合模型属性。

• self.is_fitted，必须为 True

• 附加数据，例如转换的标签。某些转换器需要此项，详细信息请参阅类文档字符串。

设置以“_”结尾的拟合模型属性，拟合属性可通过 get_fitted_params 检查。

• self.is_fitted，必须为 True

• 如果 remember_data 标签为 True，则通过 update_data 将 self._X 更新为 X 中的值。

参数:

用于拟合转换的数据。

用于更新转换的数据

“Series”科学类型 = 单个时间序列。pd.DataFrame、pd.Series 或 np.ndarray (1D 或 2D)

• “Panel”科学类型 = 时间序列集合。pd.DataFrame 具有 2 级行 MultiIndex (instance, time)，3D np.ndarray (instance, variable, time)， Series 类型的 pd.DataFrame list

• “Hierarchical”科学类型 = 时间序列分层集合。pd.DataFrame 具有 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词汇表。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，默认值=None

附加数据，例如转换的标签 如果 self.get_tag("requires_y") 为 True，则必须在 fit 中传递，非可选。所需格式，请参阅类文档字符串了解详细信息。

X 的逆转换版本

self

fit_transform(X, y=None)

classmethod get_test_params(parameter_set='default')

返回估计器的测试参数设置。

参数:

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” 集。

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" 集。目前没有为 transformer 保留的值。

self

paramsdict 或 dict 列表，默认 = {}

用于创建类测试实例的参数。每个 dict 都是构造一个“有趣的”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。