====== STUMPY

STUMPY é uma biblioteca Python poderosa e escalável que calcula eficientemente algo chamado matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__, o que é apenas uma forma acadêmica de dizer "para cada subsequência (verde) dentro da sua série temporal, identifique automaticamente o seu vizinho mais próximo correspondente (cinza)":

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

O importante é que, uma vez calculado o seu matrix profile (painel do meio acima), ele pode ser usado para uma variedade de tarefas de mineração de dados de séries temporais, tais como:

descoberta de padrões/motivos (subsequências aproximadamente repetidas dentro de uma série temporal mais longa)
descoberta de anomalias/novidades (discord)
descoberta de shapelets
segmentação semântica
dados em streaming (on-line)
matrix profiles aproximados rápidos
cadeias de séries temporais (conjunto ordenado temporalmente de padrões de subsequência)
snippets para resumir séries temporais longas
pan matrix profiles para selecionar o(s) melhor(es) tamanho(s) de janela de subsequência
e mais ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

Quer você seja um acadêmico, cientista de dados, desenvolvedor de software ou entusiasta de séries temporais, o STUMPY é simples de instalar e nosso objetivo é permitir que você obtenha insights sobre suas séries temporais mais rapidamente. Consulte a documentação <https://stumpy.readthedocs.io/en/latest/>__ para mais informações.

Como usar o STUMPY

Consulte nossa documentação da API <https://stumpy.readthedocs.io/en/latest/api.html>__ para uma lista completa das funções disponíveis e veja nossos tutoriais <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ para casos de uso de exemplo mais abrangentes. Abaixo, você encontrará trechos de código que demonstram rapidamente como usar o STUMPY.

Uso típico (dados de série temporal unidimensional) com 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 distribuído para dados de série temporal unidimensional com 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)

Uso de GPU para dados de série temporal unidimensional com 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)

Dados de séries temporais multidimensionais com 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)

Análise distribuída de dados de séries temporais multidimensionais com 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)

Cadeias de Séries Temporais com 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

Mais Populares

====== STUMPY

Como usar o STUMPY