====== STUMPY

STUMPY è una libreria Python potente e scalabile che calcola in modo efficiente quella che viene chiamata matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__, che è solo un modo accademico per dire "per ogni sottosequenza (verde) all'interno della tua serie temporale, identifica automaticamente il suo corrispondente nearest-neighbor (grigio)":

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

La cosa importante è che, una volta calcolata la matrix profile (pannello centrale qui sopra), questa può essere utilizzata per una varietà di attività di data mining su serie temporali, come ad esempio:

scoperta di pattern/motif (sottosequenze approssimativamente ripetute all'interno di una serie temporale più lunga)
scoperta di anomalie/novità (discord)
scoperta di shapelet
segmentazione semantica
dati in streaming (on-line)
matrix profile approssimati rapidi
catene di serie temporali (insieme di pattern di sottosequenze ordinato temporalmente)
snippet per riassumere lunghe serie temporali
pan matrix profile per selezionare la/e migliore/i dimensione/i della finestra di sottosequenza
e altro ancora ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Che tu sia un accademico, un data scientist, uno sviluppatore di software o un appassionato di serie temporali, STUMPY è semplice da installare e il nostro obiettivo è consentirti di ottenere più rapidamente informazioni (insights) dalle tue serie temporali. Consulta la documentazione <https://stumpy.readthedocs.io/en/latest/>__ per maggiori informazioni.

Come usare STUMPY

Consulta la nostra documentazione API <https://stumpy.readthedocs.io/en/latest/api.html>__ per un elenco completo delle funzioni disponibili e consulta i nostri tutorial <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ informativi per casi d'uso esemplificativi più completi. Qui di seguito troverai frammenti di codice che dimostrano rapidamente come usare STUMPY.

Utilizzo tipico (dati di serie temporali unidimensionali) 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)

Utilizzo distribuito per dati di serie temporali unidimensionali con Dask Distributed tramite 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)

Utilizzo GPU per dati di serie temporali unidimensionali 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)

Dati di serie temporali multidimensionali 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)

Analisi distribuita di dati di serie temporali multidimensionali 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)

Catene di serie temporali 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

Più Popolari

====== STUMPY

Come usare STUMPY