时间序列的虎麻因果发现
tigramite的Python项目详细描述
#Tigramite–时间序列数据集的因果发现
3.0版，如http://arxiv.org/abs/1702.07007
（python包）
[Github]（https://github.com/jakobrunge/tigramite.git）
[文档]（https://jakobrunge.github.io/tigramite/）
注：tigramite是一个因果时间序列分析python包。它可以有效地从高维时间序列数据中重建因果图，并为因果中介和预测分析建模。因果发现基于适用于离散或连续值时间序列的线性和非参数条件独立性检验。还包括高质量结果图的功能。请根据您使用的方法引用以下论文：
关于
线性或非线性依赖项
-自动超参数优化
-基于mpi4py的并行计算脚本
-处理缺失值和掩码
-p值校正和置信区间估计
-分析因果路径的因果中介类
-基于sklearn模型的预测类，包括因果特征选择
python包（https://pypi.python.org/pypi/ace/0.3）或rpy2和r包'acepack'（可选，gpace测试所必需）
-matplotlib，用1.5版测试
-networkx，用1.10版测试
-basemap（仅当需要在地图上绘制时）
-mpi4py（可选，我们必需并行实现）
-cython（可选，对于cmiknn和gpdc测试是必需的）
-statsmodels，使用0.6版进行测试（可选，对于p值修正是必需的）
.
要仅使用parcorr和cmisymb独立性测试，只需要numpy和scipy。对于cmiknn，可以选择使用cython进行编译，否则将使用提供的*.c文件。gpdc也基于cython，另外，高斯过程回归需要sklearn。
gpace需要做更多的工作：首先，高斯过程回归需要sklearn。其次，ace估计器需要python包"ace"或r包"acepack"。R包版本要快得多。可以通过pip install ace安装ace。Acepack'必须先安装在R中，然后才能通过Tigramite使用RPY2接口访问。
对于gpdc和gpace，我们建议使用函数"generate"和"save"nulldists"预计算并存储一系列预期样本大小的空分布。然后，可以将包含空分布的文件提供给类，并使用关键字null廑dist廑u filename。
我们不对应用工具箱后的结果和解释中的错误或遗漏承担任何责任。
如果使用，您承诺在报告或出版物中引用Tigramite：
1。J.Runge、S.Flaxman和D.Sejdinovic（2017）：在大型非线性时间序列数据集中检测因果关联。https://arxiv.org/abs/1702.07007
>2.J.Runge等人（2015）：识别复杂时空系统中的因果网关和中介。自然通讯，68502。http://doi.org/10.1038/ncomms9502
三。J.Runge（2015）：量化复杂系统中沿因果路径的信息传递和中介。Phys。牧师。E，92（6），62829。http://doi.org/10.1103/physreve.92.062829
4.J.Runge、J.Heitzig、V.Petoukhov和J.Kurth（2012）：在估计多变量传递熵时逃避维度诅咒。物理评论信，108（25），258701。http://doi.org/10.1103/physrevlett.108.258701
软件基础；许可证的版本3，或者（按您的选择）任何后续版本。Tigramite的销售是希望它有用，但没有任何保证；甚至没有对适销性或特定用途的适用性的暗示保证。有关更多详细信息，请参阅GNU通用公共许可证。
3.0版，如http://arxiv.org/abs/1702.07007
（python包）
[Github]（https://github.com/jakobrunge/tigramite.git）
[文档]（https://jakobrunge.github.io/tigramite/）
注：tigramite是一个因果时间序列分析python包。它可以有效地从高维时间序列数据中重建因果图，并为因果中介和预测分析建模。因果发现基于适用于离散或连续值时间序列的线性和非参数条件独立性检验。还包括高质量结果图的功能。请根据您使用的方法引用以下论文：
关于
线性或非线性依赖项
-自动超参数优化
-基于mpi4py的并行计算脚本
-处理缺失值和掩码
-p值校正和置信区间估计
-分析因果路径的因果中介类
-基于sklearn模型的预测类，包括因果特征选择
python包（https://pypi.python.org/pypi/ace/0.3）或rpy2和r包'acepack'（可选，gpace测试所必需）
-matplotlib，用1.5版测试
-networkx，用1.10版测试
-basemap（仅当需要在地图上绘制时）
-mpi4py（可选，我们必需并行实现）
-cython（可选，对于cmiknn和gpdc测试是必需的）
-statsmodels，使用0.6版进行测试（可选，对于p值修正是必需的）
.
要仅使用parcorr和cmisymb独立性测试，只需要numpy和scipy。对于cmiknn，可以选择使用cython进行编译，否则将使用提供的*.c文件。gpdc也基于cython，另外，高斯过程回归需要sklearn。
gpace需要做更多的工作：首先，高斯过程回归需要sklearn。其次，ace估计器需要python包"ace"或r包"acepack"。R包版本要快得多。可以通过pip install ace安装ace。Acepack'必须先安装在R中，然后才能通过Tigramite使用RPY2接口访问。
对于gpdc和gpace，我们建议使用函数"generate"和"save"nulldists"预计算并存储一系列预期样本大小的空分布。然后，可以将包含空分布的文件提供给类，并使用关键字null廑dist廑u filename。
我们不对应用工具箱后的结果和解释中的错误或遗漏承担任何责任。
如果使用，您承诺在报告或出版物中引用Tigramite：
1。J.Runge、S.Flaxman和D.Sejdinovic（2017）：在大型非线性时间序列数据集中检测因果关联。https://arxiv.org/abs/1702.07007
>2.J.Runge等人（2015）：识别复杂时空系统中的因果网关和中介。自然通讯，68502。http://doi.org/10.1038/ncomms9502
三。J.Runge（2015）：量化复杂系统中沿因果路径的信息传递和中介。Phys。牧师。E，92（6），62829。http://doi.org/10.1103/physreve.92.062829
4.J.Runge、J.Heitzig、V.Petoukhov和J.Kurth（2012）：在估计多变量传递熵时逃避维度诅咒。物理评论信，108（25），258701。http://doi.org/10.1103/physrevlett.108.258701
软件基础；许可证的版本3，或者（按您的选择）任何后续版本。Tigramite的销售是希望它有用，但没有任何保证；甚至没有对适销性或特定用途的适用性的暗示保证。有关更多详细信息，请参阅GNU通用公共许可证。
欢迎加入QQ群-->： 979659372
