====== STUMPY

STUMPY es una biblioteca de Python potente y escalable que calcula eficientemente algo llamado matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__, que es solo una forma académica de decir «para cada subsecuencia (verde) dentro de tu serie temporal, identifica automáticamente su vecino más cercano correspondiente (gris)»:

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

Lo importante es que una vez que hayas calculado tu matrix profile (panel central de arriba), puede usarse para una variedad de tareas de minería de datos de series temporales, como:

descubrimiento de patrones/motivos (subsecuencias aproximadamente repetidas dentro de una serie temporal más larga)
descubrimiento de anomalías/novedades (discord)
descubrimiento de shapelets
segmentación semántica
datos en streaming (en línea)
matrix profiles aproximados rápidos
cadenas de series temporales (conjunto ordenado temporalmente de patrones de subsecuencias)
snippets para resumir series temporales largas
pan matrix profiles para seleccionar la(s) mejor(es) ventana(s) de subsecuencia
y más ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Ya seas académico, científico de datos, desarrollador de software o entusiasta de las series temporales, STUMPY es sencillo de instalar y nuestro objetivo es permitirte obtener información de tus series temporales de forma más rápida. Consulta documentación <https://stumpy.readthedocs.io/en/latest/>__ para más información.

Cómo usar STUMPY

Consulta nuestra documentación de API <https://stumpy.readthedocs.io/en/latest/api.html>__ para obtener una lista completa de las funciones disponibles y nuestros informativos tutoriales <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ para ejemplos de uso más exhaustivos. A continuación, encontrarás fragmentos de código que demuestran rápidamente cómo usar STUMPY.

Uso típico (datos de series temporales unidimensionales) con 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)

Uso distribuido para datos de series temporales unidimensionales con Dask Distributed mediante 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)

Uso de GPU para datos de series temporales unidimensionales con 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)

Datos de series temporales multidimensionales con 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)

Análisis distribuido de datos de series temporales multidimensionales con 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)

Cadenas de series temporales con 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

stumpy

Más Populares

====== STUMPY

Cómo usar STUMPY