stumpy 1.1.0

如何使用stumpy

典型用法（一维时间序列数据），带有 stump ：

importstumpyimportnumpyasnpyour_time_series=np.random.rand(10000)window_size=50# Approximately, how many data points might be found in a patternmatrix_profile=stumpy.stump(your_time_series,m=window_size)

一维时间序列数据的分布式使用，DASK通过树桩分布

importstumpyimportnumpyasnpfromdask.distributedimportClientdask_client=Client()your_time_series=np.random.rand(10000)window_size=50# Approximately, how many data points might be found in a patternmatrix_profile=stumpy.stumped(dask_client,your_time_series,m=window_size)

具有mstump的多维时间序列数据

importstumpyimportnumpyasnpyour_time_series=np.random.rand(3,1000)window_size=50# Approximately, how many data points might be found in a patternmatrix_profile,matrix_profile_indices=stumpy.mstump(your_time_series,m=window_size)

分布式多维时间序列数据分析

importstumpyimportnumpyasnpfromdask.distributedimportClientdask_client=Client()your_time_series=np.random.rand(3,1000)window_size=50# Approximately, how many data points might be found in a patternmatrix_profile,matrix_profile_indices=stumpy.mstumped(dask_client,your_time_series,m=window_size)

时间序列链：

importstumpyimportnumpyasnpyour_time_series=np.random.rand(10000)window_size=50# Approximately, how many data points might be found in a patternmatrix_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 foranchored_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)

依赖关系

• numpy
• numba
• scipy

哪里可以买到

Conda安装（首选）：

conda install -c conda-forge stumpy

pypi安装，假设您已经安装了numpy、scipy和numba：

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，您必须阅读原始的 出版物 。有关如何使用stumpy的更详细示例，请参阅最新的 文档 ，或浏览以下教程：

1. 矩阵配置文件-教程0
2. 树桩基础-教程1
3. 时间序列链-教程2 < > >

性能

我们使用numba jit编译版本的代码对随机生成的不同长度的数据（即 n p.random.rand（n） ）进行性能测试。

原始结果显示为小时：分：秒。

gpu-stomp：结果从原始的矩阵概要文件ii中复制出来纸张-nvidia tesla k80（包含2个gpu）

stump.16：总共16个CPU—16x Intel（R）Xeon（R）CPU E5—2650 v4@2.20GHz处理器，在没有DASK的单个服务器上与numba并行。

stumped.128：总共128个CPU—8个Intel（R）Xeon（R）CPU E5—2650 v4@2.20GHz处理器x 16台服务器，与Numba并行，并与分布式DASK一起分发。

Stumped.256:256个CPU，共8个Intel（R）Xeon（R）CPU E5-2650 v4@2.20GHz处理器x 32个服务器，与Numba并行，并与分布式DASK一起分发。

运行测试

测试在 tests 目录中编写，并使用 pytest进行处理。需要覆盖.py用于代码覆盖率分析。可以使用以下命令执行测试：

./test.sh

是的，Chin Chia Michael等人。（2016）矩阵概要I：时间序列的所有成对相似连接：包含主题、不协调和形状的统一视图。ICDM:1317-1322。 链接

朱、严等。（2016）矩阵轮廓II：利用新算法和GPU突破时间序列模体和连接的1亿障碍。ICDM:739-748。 链接

是的，金嘉美，等。（2017）矩阵剖面六：有意义的多维母题发现。ICDM:565-574。 链接

朱、严等。（2017）矩阵剖面七：时间序列链：时间序列数据挖掘的新原语。ICDM:695-704。 链接

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《开放源码软件期刊》的文章。 < Buff行情> s.m.law， stumpy：一个强大的、可伸缩的时间序列数据挖掘python库 在：开放源码软件杂志，开放期刊，第4卷，第39号。 2019年

@article{law2017stumpy,title={{STUMPY: A Powerful and Scalable Python Library for Time Series Data Mining}},author={Law, Sean M.},journal={{The Journal of Open Source Software}},volume={4},number={39},pages={1504},year={2019}}