====== STUMPY

STUMPY ist eine leistungsstarke und skalierbare Python-Bibliothek, die effizient etwas berechnet, das als Matrixprofil <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__ bezeichnet wird – was nur eine akademische Art zu sagen ist: „Für jede (grüne) Teilsequenz innerhalb deiner Zeitreihe automatisch ihren entsprechenden nächsten Nachbarn (grau) identifizieren“:

.. image:: https://github.com/stumpy-dev/stumpy/blob/main/docs/images/stumpy_demo.gif?raw=true :alt: STUMPY Animated GIF

Wichtig ist, dass das einmal berechnete Matrixprofil (mittleres Feld oben) anschließend für eine Vielzahl von Zeitreihen-Data-Mining-Aufgaben verwendet werden kann, z. B.:

Erkennung von Mustern/Motiven (annähernd wiederholte Teilsequenzen innerhalb einer längeren Zeitreihe)
Erkennung von Anomalien/Neuheiten (Discords)
Erkennung von Shapelets
semantische Segmentierung
Streaming-Daten (Online-Daten)
schnelle approximative Matrixprofile
Zeitreihen-Ketten (zeitlich geordnete Menge von Teilsequenzmustern)
Snippets zur Zusammenfassung langer Zeitreihen
Pan-Matrixprofile zur Auswahl der besten Teilsequenz-Fenstergröße(n)
und mehr ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Ob Sie in der Wissenschaft, als Data Scientist, Softwareentwickler oder als Zeitreihen-Enthusiast arbeiten: STUMPY ist unkompliziert zu installieren, und unser Ziel ist es, Ihnen schneller zu Ihren Zeitreihen-Erkenntnissen zu verhelfen. Weitere Informationen finden Sie in der Dokumentation <https://stumpy.readthedocs.io/en/latest/>__.

Verwendung von STUMPY

Eine vollständige Liste aller verfügbaren Funktionen finden Sie in unserer API-Dokumentation <https://stumpy.readthedocs.io/en/latest/api.html>, und ausführlichere Anwendungsbeispiele finden Sie in unseren informativen Tutorials <https://stumpy.readthedocs.io/en/latest/tutorials.html>. Im Folgenden finden Sie Codeausschnitte, die schnell zeigen, wie STUMPY verwendet wird.

Typische Verwendung (1-dimensionale Zeitreihendaten) mit STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern 

    matrix_profile = stumpy.stump(your_time_series, m=window_size)

Verteilte Verwendung für 1-dimensionale Zeitreihendaten mit Dask Distributed über STUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__:

.. code:: python

import stumpy
import numpy as np
from dask.distributed import Client

if __name__ == "__main__":
    with Client() as dask_client:
        your_time_series = np.random.rand(10000)
        window_size = 50  # Approximately, how many data points might be found in a pattern 

        matrix_profile = stumpy.stumped(dask_client, your_time_series, m=window_size)

GPU-Verwendung für 1-dimensionale Zeitreihendaten mit GPU-STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__:

.. code:: python

import stumpy
import numpy as np
from numba import cuda

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern
    all_gpu_devices = [device.id for device in cuda.list_devices()]  # Get a list of all available GPU devices

    matrix_profile = stumpy.gpu_stump(your_time_series, m=window_size, device_id=all_gpu_devices)

Mehrdimensionale Zeitreihendaten mit MSTUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstump>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(3, 1000)  # Each row represents data from a different dimension while each column represents data from the same dimension
    window_size = 50  # Approximately, how many data points might be found in a pattern

    matrix_profile, matrix_profile_indices = stumpy.mstump(your_time_series, m=window_size)

Verteilte mehrdimensionale Zeitreihendatenanalyse mit Dask Distributed MSTUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstumped>__:

.. code:: python

import stumpy
import numpy as np
from dask.distributed import Client

if __name__ == "__main__":
    with Client() as dask_client:
        your_time_series = np.random.rand(3, 1000)   # Each row represents data from a different dimension while each column represents data from the same dimension
        window_size = 50  # Approximately, how many data points might be found in a pattern

        matrix_profile, matrix_profile_indices = stumpy.mstumped(dask_client, your_time_series, m=window_size)

Time-Series-Chains mit Anchored Time Series Chains (ATSC) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.atsc>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern 
    
    matrix_profile = stumpy.stump(your_time_series, m=window_size)

    left_matrix_profile_index = matrix_profile[:, 2]
    right_matrix_profile_index = matrix_profile[:, 3]
    idx = 10  # Subsequence index for which to retrieve the anchored time series chain for

    anchored_chain = stumpy.atsc(left_matrix_profile_index, right_matrix_profile_index, idx)

stumpy

Beliebteste

====== STUMPY

Verwendung von STUMPY