stumpy 1.11.1

如何使用 STUMPY

请参阅我们的API 文档以获取可用函数的完整列表，并参阅我们的信息教程以获取更全面的示例用例。下面，您将找到快速演示如何使用 STUMPY 的代码片段。

STUMP的典型用法（一维时间序列数据）：

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)

Dask 通过STUMPED分布的一维时间序列数据的分布式使用：

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

if __name__ == "__main__":
    dask_client = 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)

使用GPU-STUMP处理一维时间序列数据的GPU 使用情况：

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)

带有MSTUMP的多维时间序列数据：

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)

使用 Dask Distributed MSTUMPED进行分布式多维时间序列数据分析：

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

if __name__ == "__main__":
    dask_client = 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)

具有锚定时间序列链 (ATSC)的时间序列链：

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)

    all_chain_set, longest_unanchored_chain = stumpy.allc(left_matrix_profile_index, right_matrix_profile_index)

具有快速低成本单能语义分割（FLUSS）的语义分割：

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)

    subseq_len = 50
    correct_arc_curve, regime_locations = stumpy.fluss(matrix_profile[:, 1],
                                                    L=subseq_len,
                                                    n_regimes=2,
                                                    excl_factor=1
                                                    )

依赖项

支持的 Python 和 NumPy 版本根据NEP 29 deprecation policy确定。

• 数字货币

• 努巴

• 科学派

在哪里得到它

康达安装（首选）：

conda install -c conda-forge stumpy

PyPI 安装，假设您安装了 numpy、scipy 和 numba：

python -m pip install stumpy

要从源代码安装 stumpy，请参阅文档中的说明。

文档

为了充分理解和欣赏底层算法和应用程序，您必须阅读原始出版物。有关如何使用 STUMPY 的更详细示例，请查阅最新文档或浏览我们的动手教程。

表现

我们使用 Numba JIT 编译版本的代码在具有不同长度（即np.random.rand(n)）以及不同CPU 和 GPU 硬件资源的随机生成的时间序列数据上测试了计算精确矩阵轮廓的性能。

原始结果在下表中显示为 Hours:Minutes:Seconds.Milliseconds 并且具有恒定的窗口大小m = 50。请注意，这些报告的运行时间包括将数据从主机移动到所有 GPU 设备所需的时间。您可能需要滚动到表格的右侧才能查看所有运行时。

运行测试

测试在测试目录中编写并使用PyTest进行处理，并且需要coverage.py进行代码覆盖率分析。可以通过以下方式执行测试：

./test.sh

蟒蛇版本

STUMPY 支持Python 3.7+，并且由于使用 unicode 变量名/标识符，与 Python 2.x 不兼容。由于依赖关系较小，STUMPY 可能适用于较旧版本的 Python，但这超出了我们的支持范围，我们强烈建议您升级到最新版本的 Python。

获得帮助

首先，请查看 Github 上的讨论和问题，看看您的问题是否已经在那里得到解答。如果没有可用的解决方案，请随时打开新的讨论或问题，作者将尝试以合理及时的方式做出回应。

贡献

我们欢迎任何形式的贡献！文档方面的帮助，尤其是扩展教程，总是受欢迎的。要贡献，请分叉项目，进行更改，然后提交拉取请求。我们将尽最大努力与您一起解决任何问题，并将您的代码合并到主分支中。

引用

如果您在科学出版物中使用过此代码库并希望引用它，请使用Journal of Open Source Software 文章。

SM 法律，（2019 年）。STUMPY：用于时间序列数据挖掘的强大且可扩展的 Python 库。开源软件杂志，4(39)，1504。

@article{law2019stumpy,
  author  = <s>{Law, Sean M.}</s>,
  title   = <s>{{STUMPY: A Powerful and Scalable Python Library for Time Series Data Mining}}</s>,
  journal = <s>{{The Journal of Open Source Software}}</s>,
  volume  = <s>{4}</s>,
  number  = <s>{39}</s>,
  pages   = <s>{1504}</s>,
  year    = <s>{2019}</s>
}

参考

Yeh，Chin-Chia Michael 等人。(2016) 矩阵配置文件 I：时间序列的所有对相似性连接：包括 Motifs、Discords 和 Shapelets 的统一视图。ICDM：1317-1322。关联

朱，颜，等。(2016) 矩阵配置文件 II：利用新算法和 GPU 来打破时间序列主题和连接的一亿个障碍。ICDM：739-748。关联

Yeh，Chin-Chia Michael 等人。(2017) Matrix Profile VI：有意义的多维母题发现。ICDM：565-574。关联

朱，颜，等。(2017) 矩阵配置文件 VII：时间序列链：时间序列数据挖掘的新原语。ICDM：695-704。关联

Gharghabi、Shaghayegh 等人。（2017 年）矩阵配置文件 VIII：超人类性能水平的域不可知在线语义分割。ICDM：117-126。关联

朱，颜，等。(2017) 利用新的算法和 GPU 来打破时间序列主题和连接的十万亿成对比较障碍。凯斯：203-236。关联

朱，颜，等。(2018) 矩阵配置文件 XI：SCRIMP++：以交互速度发现时间序列主题。ICDM：837-846。关联

Yeh，Chin-Chia Michael 等人。(2018) 时间序列连接、Motifs、Discords 和 Shapelets：利用矩阵配置文件的统一视图。数据最小知识光盘：83-123。关联

Gharghabi、Shaghayegh 等人。(2018) “矩阵配置文件 XII：MPdist：一种新的时间序列距离度量，允许在更具挑战性的场景中进行数据挖掘。” ICDM：965-970。关联

齐默尔曼、扎卡里等人。(2019) Matrix Profile XIV：使用 GPU 扩展时间序列主题发现以打破一天及以后的 Quintillion 成对比较。SoC '19:74-86。关联

Akbarinia、Reza 和 Betrand Cloez。(2019) 使用不同距离函数的高效矩阵轮廓计算。arXiv:1901.05708。关联

Kamgar、Kaveh 等人。(2019) 矩阵配置文件 XV：利用时间序列共识主题来查找时间序列集中的结构。ICDM：1156-1161。关联

许可证和商标