====== STUMPY

STUMPY est une bibliothèque Python puissante et évolutive qui calcule efficacement ce que l'on appelle le matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__, ce qui est simplement une façon académique de dire « pour chaque sous-séquence (verte) de votre série temporelle, identifiez automatiquement son plus proche voisin (gris) correspondant » :

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

Ce qui est important, c'est qu'une fois que vous avez calculé votre matrix profile (panneau central ci-dessus), il peut ensuite être utilisé pour une variété de tâches d'exploration de données de séries temporelles telles que :

la découverte de motifs/motifs récurrents (sous-séquences approximativement répétées au sein d'une série temporelle plus longue)
la découverte d'anomalies/nouveautés (discords)
la découverte de shapelets
la segmentation sémantique
les données en flux (en ligne)
les matrix profiles approximatifs rapides
les chaînes de séries temporelles (ensemble ordonné temporellement de motifs de sous-séquences)
les snippets pour résumer de longues séries temporelles
les pan matrix profiles pour sélectionner la ou les meilleures tailles de fenêtre de sous-séquence
et plus encore ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Que vous soyez un universitaire, un data scientist, un développeur de logiciels ou un passionné de séries temporelles, STUMPY est simple à installer et notre objectif est de vous permettre d'atteindre vos analyses de séries temporelles plus rapidement. Consultez la documentation <https://stumpy.readthedocs.io/en/latest/>__ pour plus d'informations.

Comment utiliser STUMPY

Veuillez consulter notre documentation de l'API <https://stumpy.readthedocs.io/en/latest/api.html>__ pour une liste complète des fonctions disponibles et consultez nos tutoriels <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ informatifs pour des cas d'utilisation plus complets. Ci-dessous, vous trouverez des extraits de code qui démontrent rapidement comment utiliser STUMPY.

Utilisation typique (données de séries temporelles à 1 dimension) avec 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)

Utilisation distribuée pour des données de séries temporelles à 1 dimension avec Dask Distributed via 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)

Utilisation GPU pour des données de séries temporelles à 1 dimension avec 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)

Données de séries temporelles multidimensionnelles avec 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)

Analyse distribuée de données de séries temporelles multidimensionnelles avec 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)

Chaînes de séries temporelles avec 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)

stumpy

Populaires

====== STUMPY

Comment utiliser STUMPY