gluonts.dataset.common 模块#

class gluonts.dataset.common.BasicFeatureInfo(*, name: str)[source]#

基类: pydantic.v1.main.BaseModel

name: str#
class gluonts.dataset.common.CategoricalFeatureInfo(*, name: str, cardinality: str)[source]#

基类: pydantic.v1.main.BaseModel

cardinality: str#
name: str#
gluonts.dataset.common.FileDataset(path: pathlib.Path, freq: str, one_dim_target: bool = True, cache: bool = False, use_timestamp: bool = False, loader_class=None, pattern='*', levels=2, translate=None, ignore_hidden=True) → gluonts.dataset.Dataset[source]#
gluonts.dataset.common.ListDataset(data_iter: gluonts.dataset.Dataset, freq: str, one_dim_target: bool = True, use_timestamp: bool = False, translate: Optional[dict] = None) → List[Dict[str, Any]][source]#

直接由字典列表支持的数据集。

参数

  • data_iter – 可迭代对象，生成数据集中的所有项目。每个项目都应是一个将字符串映射到值的字典。例如：{“start”: “2014-09-07”, “target”: [0.1, 0.2]}。

  • freq – 时间序列中观测值的频率。必须是有效的 Pandas 频率字符串。

  • one_dim_target – 是否只接受单变量目标时间序列。

class gluonts.dataset.common.MetaData(*, freq: str, target: Optional[gluonts.dataset.common.BasicFeatureInfo] = None, feat_static_cat: List[gluonts.dataset.common.CategoricalFeatureInfo] = [], feat_static_real: List[gluonts.dataset.common.BasicFeatureInfo] = [], feat_dynamic_real: List[gluonts.dataset.common.BasicFeatureInfo] = [], feat_dynamic_cat: List[gluonts.dataset.common.CategoricalFeatureInfo] = [], prediction_length: Optional[int] = None)[source]#

基类: pydantic.v1.main.BaseModel

class Config[source]#

基类: pydantic.v1.config.BaseConfig

allow_population_by_field_name: bool = True#
feat_dynamic_cat: List[gluonts.dataset.common.CategoricalFeatureInfo]#
feat_dynamic_real: List[gluonts.dataset.common.BasicFeatureInfo]#
feat_static_cat: List[gluonts.dataset.common.CategoricalFeatureInfo]#
feat_static_real: List[gluonts.dataset.common.BasicFeatureInfo]#
freq: str#
prediction_length: Optional[int]#
target: Optional[gluonts.dataset.common.BasicFeatureInfo]#
class gluonts.dataset.common.ProcessDataEntry(freq: str, one_dim_target: bool = True, use_timestamp: bool = False)[source]#

基类: object

class gluonts.dataset.common.ProcessStartField(*, freq: Union[str, pandas._libs.tslibs.offsets.DateOffset], use_timestamp: bool = False, name: str = 'start')[source]#

基类: pydantic.v1.main.BaseModel

将 start 字段转换为具有给定频率的 Period 对象。

参数

  • name (str) – 要转换的字段名称。

  • freq (Union[str, pandas._libs.tslibs.offsets.DateOffset]) – 要使用的频率。这必须是有效的 Pandas 频率字符串。

class Config[source]#

基类: object

arbitrary_types_allowed = True#
freq: Union[str, pandas._libs.tslibs.offsets.DateOffset]#
name: str#
use_timestamp: bool#
class gluonts.dataset.common.ProcessTimeSeriesField(name, is_required: bool, is_static: bool, is_cat: bool)[source]#

基类: object

将由 name 标识的时间序列字段从数字列表转换为 numpy 数组。

构造函数参数以以下方式修改转换逻辑

如果 is_required=True，则如果字段在 Data 字典中不存在，则会抛出 GluonTSDataError。

如果 is_cat=True，数组类型为 np.int32，否则为 np.float32。

如果 is_static=True，则断言结果数组是一维的，否则断言结果数组是二维的。形状为 (T) 的二维动态数组会自动扩展为形状 (1,T)。

参数

  • name – 要处理的字段名称。

  • is_required – 字段是否必须存在。

  • is_cat – 字段是否指向分类（即整数）值。

  • is_static – 字段是否应该具有时间维度。

class gluonts.dataset.common.SourceContext(source, row)[source]#

基类: tuple

row: int#

字段编号 1 的别名

source: str#

字段编号 0 的别名

class gluonts.dataset.common.TrainDatasets(metadata: gluonts.dataset.common.MetaData, train: gluonts.dataset.Dataset, test: Optional[gluonts.dataset.Dataset] = None)[source]#

基类: tuple

包含两个子集的数据集，一个用于训练，另一个用于测试，并包含元数据。

metadata: gluonts.dataset.common.MetaData#

字段编号 0 的别名

save(path_str: str, writer: gluonts.dataset.DatasetWriter, overwrite=False) → None#

将 TrainDatasets 对象保存到 JSON Lines 文件。

参数

  • path_str – 数据集的保存路径。

  • overwrite – 是否删除此文件夹中的旧版本。

test: Optional[gluonts.dataset.Dataset]#

字段编号 2 的别名

train: gluonts.dataset.Dataset#

字段编号 1 的别名

gluonts.dataset.common.infer_file_type(path)[source]#
gluonts.dataset.common.load_datasets(metadata: pathlib.Path, train: pathlib.Path, test: Optional[pathlib.Path], one_dim_target: bool = True, cache: bool = False) → gluonts.dataset.common.TrainDatasets[source]#

根据元数据、训练集和测试集路径加载数据集。

参数

  • metadata – 元数据文件的路径

  • train – 训练集文件的路径。

  • test – 测试集文件的路径。

  • one_dim_target – 是否将 FileDatasets 加载为单变量目标时间序列。

  • cache – 指示 FileDatasets 是否应该被缓存。

返回值

一个包含元数据、训练数据、测试数据的对象。

返回类型

TrainDatasets