用于不均匀间隔时间序列分析的库。
traces的Python项目详细描述
#痕迹
[！[版本]（https://img.shields.io/pypi/v/traces.svg？）]（https://pypi.python.org/pypi/traces）[！[pyversions]（https://img.shields.io/pypi/pyversions/traces.svg）（https://pypi.python.org/pypi/traces）[！[Circleci]（https://circleci.com/gh/datascopeanalytics/traces/tree/master.svg？style=shield）（https://circleci.com/gh/datascopeanalytics/traces/tree/master）[！[文档状态]（https://readthedocs.org/projects/traces/badge/？version=master）（https://traces.readthedocs.io/en/master/？徽章=主人）[！[覆盖状态]（https://coveralls.io/repos/github/datascopeanalytics/traces/badge.svg？branch=master）（https://coveralls.io/github/datascopeanalytics/traces？branch=master）
以不规则间隔进行测量是常见的，但大多数工具主要是为均匀间隔测量而设计的。另外，在现实世界中，时间序列缺少观测值，或者可能有多个不同频率的
序列：可以将这些序列建模为
间隔不均。
跟踪是由团队在
[数据范围]（https://datascopeanalytics.com/）根据几个实际的
应用在不同的领域，因为事实证明[间隔不均
数据非常好，特别是对于传感器数据
分析]（https://datascopeanalytics.com/blog/unally-spaced time series/）。
在终端中运行此命令：
``bash
$pip install traces
````
[]（docs/_static/img/trace.svg）
traces中的主要对象是一个[时间序列]（https://traces.readthedocs.io/en/master/api_reference.html timeseries），您可以像字典一样创建它，在早上6:00，
7:45:56am等添加五个度量值。时间序列=traces.time series（）
>>>gt；时间序列[日期时间（2042，2，2，1，6，0，0，0，0，1，6，0，0，0）]=0上午6:00；时间序列[日期时间（2042，2，1，1，7，7，45，45，56）]=1上午7:45:56；时间序列[日期时间（2042，2，2，1，1，8，51，8，51，51，42）=0上午8:51:42am
>>>gt；时间序列[日期时间（2042，2，2，1，1，8，51，51，51，42，1，8，8，8，51，42）]=0上午8:51:42；时间序列[日期时间（204/>>；>；时间序列[日期时间（2042，2，1，12，3，56）]=1 12:03:56am
>；>时间序列[日期时间（2042，2，1，12，7，13）]=0 12:07:13am
````
如果你想知道灯是否在上午11点亮着呢？与python
字典不同，即使不是测量时间的
之一，也可以随时查找该值。
``python
>；
```
`time series`处于每个状态。
``python
>>>时间序列.分布（
>>>gt；start=datetime（2042，2，1，6，0，0，0，0，0，2，2，2，1，6:00am；start=datetime（2042，2，2，1，13，0，0，0，0），6:00am
>end=datetime（2042，2，2，1，13，0，0，0），1:00pm
>>>时间序列的时间序列（2042，2，2，1，1，13，0，0，0，0，0），1:00pm
>时间序列的时间序列（1:00pm br/>>>>381，1:0.16440476190476191}）
```
[]（docs/_static/img/traces.svg）
merge函数接受40个单独的"timeseries"，并有效地将它们合并为一个"timeseries"，其中每个值都是所有灯光的列表。
``python
>；>；trace\u list=[.四十个traces.timeseries的列表…]
>；>；count=traces.timeseries.merge（trace_list，operation=sum）
````
我们还对状态列表应用了"sum"操作，以获取打开的灯数的"timeseries"。
！[]（docs/_static/img/count.svg）
办公时间内，大楼平均有多少盏灯亮着，
从早上8点到下午6点？
`` python
>；>直方图=计数分布（
>；>开始=日期时间（2042、2、1、8、0、0），上午8:00
>；>结束=日期时间（2042、2、1、12+6、0、0）下午6:00
>；）
>；>histogram.median（）
17
```
`distribution`函数返回一个[histogram]（https://traces.readthedocs.io/en/master/api_reference.html histogram），它可以用来获取平均值或分位数等摘要度量。
（keys）在"timeseries"中，只要可以订购，就可以使用
的任何单位。值可以是任何值。
例如，您可以使用"time series"按购物行程中的分钟数来跟踪
购物篮中的内容。
`` python
>；>；timeseries=traces.timeseries（）
>；>；时间序列[1.2]={'broccoli'}
>；>>时间序列[1.7]={'broccoli'，'apple'}
>；>>时间序列[2.2]={'apple'}将花椰菜放回
>；>时间序列[3.5]={'apple'，'beets'}mmm，beets
```
查看[示例]（https://traces.readthedocs.io/en/master/examples.html）和详细的[参考]（https://traces.readthedocs.io/en/master/api_reference.html）信息。
请访问我们的[指南]（https://github.com/datascopeanalytics/traces/blob/master/contribution.md）
了解更多信息。
[！[版本]（https://img.shields.io/pypi/v/traces.svg？）]（https://pypi.python.org/pypi/traces）[！[pyversions]（https://img.shields.io/pypi/pyversions/traces.svg）（https://pypi.python.org/pypi/traces）[！[Circleci]（https://circleci.com/gh/datascopeanalytics/traces/tree/master.svg？style=shield）（https://circleci.com/gh/datascopeanalytics/traces/tree/master）[！[文档状态]（https://readthedocs.org/projects/traces/badge/？version=master）（https://traces.readthedocs.io/en/master/？徽章=主人）[！[覆盖状态]（https://coveralls.io/repos/github/datascopeanalytics/traces/badge.svg？branch=master）（https://coveralls.io/github/datascopeanalytics/traces？branch=master）
以不规则间隔进行测量是常见的，但大多数工具主要是为均匀间隔测量而设计的。另外，在现实世界中，时间序列缺少观测值，或者可能有多个不同频率的
序列：可以将这些序列建模为
间隔不均。
跟踪是由团队在
[数据范围]（https://datascopeanalytics.com/）根据几个实际的
应用在不同的领域，因为事实证明[间隔不均
数据非常好，特别是对于传感器数据
分析]（https://datascopeanalytics.com/blog/unally-spaced time series/）。
在终端中运行此命令：
``bash
$pip install traces
````
[]（docs/_static/img/trace.svg）
traces中的主要对象是一个[时间序列]（https://traces.readthedocs.io/en/master/api_reference.html timeseries），您可以像字典一样创建它，在早上6:00，
7:45:56am等添加五个度量值。时间序列=traces.time series（）
>>>gt；时间序列[日期时间（2042，2，2，1，6，0，0，0，0，1，6，0，0，0）]=0上午6:00；时间序列[日期时间（2042，2，1，1，7，7，45，45，56）]=1上午7:45:56；时间序列[日期时间（2042，2，2，1，1，8，51，8，51，51，42）=0上午8:51:42am
>>>gt；时间序列[日期时间（2042，2，2，1，1，8，51，51，51，42，1，8，8，8，51，42）]=0上午8:51:42；时间序列[日期时间（204/>>；>；时间序列[日期时间（2042，2，1，12，3，56）]=1 12:03:56am
>；>时间序列[日期时间（2042，2，1，12，7，13）]=0 12:07:13am
````
如果你想知道灯是否在上午11点亮着呢？与python
字典不同，即使不是测量时间的
之一，也可以随时查找该值。
``python
>；
```
`time series`处于每个状态。
``python
>>>时间序列.分布（
>>>gt；start=datetime（2042，2，1，6，0，0，0，0，0，2，2，2，1，6:00am；start=datetime（2042，2，2，1，13，0，0，0，0），6:00am
>end=datetime（2042，2，2，1，13，0，0，0），1:00pm
>>>时间序列的时间序列（2042，2，2，1，1，13，0，0，0，0，0），1:00pm
>时间序列的时间序列（1:00pm br/>>>>381，1:0.16440476190476191}）
```
[]（docs/_static/img/traces.svg）
merge函数接受40个单独的"timeseries"，并有效地将它们合并为一个"timeseries"，其中每个值都是所有灯光的列表。
``python
>；>；trace\u list=[.四十个traces.timeseries的列表…]
>；>；count=traces.timeseries.merge（trace_list，operation=sum）
````
我们还对状态列表应用了"sum"操作，以获取打开的灯数的"timeseries"。
！[]（docs/_static/img/count.svg）
办公时间内，大楼平均有多少盏灯亮着，
从早上8点到下午6点？
`` python
>；>直方图=计数分布（
>；>开始=日期时间（2042、2、1、8、0、0），上午8:00
>；>结束=日期时间（2042、2、1、12+6、0、0）下午6:00
>；）
>；>histogram.median（）
17
```
`distribution`函数返回一个[histogram]（https://traces.readthedocs.io/en/master/api_reference.html histogram），它可以用来获取平均值或分位数等摘要度量。
（keys）在"timeseries"中，只要可以订购，就可以使用
的任何单位。值可以是任何值。
例如，您可以使用"time series"按购物行程中的分钟数来跟踪
购物篮中的内容。
`` python
>；>；timeseries=traces.timeseries（）
>；>；时间序列[1.2]={'broccoli'}
>；>>时间序列[1.7]={'broccoli'，'apple'}
>；>>时间序列[2.2]={'apple'}将花椰菜放回
>；>时间序列[3.5]={'apple'，'beets'}mmm，beets
```
查看[示例]（https://traces.readthedocs.io/en/master/examples.html）和详细的[参考]（https://traces.readthedocs.io/en/master/api_reference.html）信息。
请访问我们的[指南]（https://github.com/datascopeanalytics/traces/blob/master/contribution.md）
了解更多信息。
欢迎加入QQ群-->： 979659372
