tslearn-team/tslearn

tslearn – Python用時系列データ機械学習ツールキット

概要 – familiar な scikit-learn API を拡張して時系列データを扱えるようにした Python ライブラリです。時系列データの読み込み、前処理、生成のためのユーティリティに加え、分類、クラスタリング、回帰、類似度測定のためのアルゴリズム集を提供します。

主な機能

• データ処理 – リスト、他のツールキット、または UCR ベンチマークデータセットを、必要な 3D NumPy 配列 (n_ts, max_len, dim) に変換します。可変長シリーズをサポートしています。
• 前処理 – スケーリング、リサンプリング、区分的変換（piece-wise transforms）、および合成ジェネレーター。
• アルゴリズム
  • 分類: K-Nearest-Neighbour, Support-Vector Classifier, Learning Shapelets, Early Classification.
  • 回帰: K-Nearest-Neighbour Regressor, Support-Vector Regressor, MLP.
  • クラスタリング: TimeSeriesKMeans, K-Shape, Kernel K-Means.
  • メトリクス: Dynamic Time Warping, Global Alignment Kernel, matrix-profile, barycenters.
• 完全な scikit-learn 互換性 – モデルは pipelines、grid-search、およびその他の scikit-learn ユーティリティ内で使用できます。

インストール

# PyPI (recommended)
python -m pip install tslearn

# Conda
conda install -c conda-forge tslearn

# From source
python -m pip install https://github.com/tslearn-team/tslearn/archive/main.zip

（Python 3.10 以上と、標準的な scientific-Python スタックが必要です。）

典型的なワークフロー

1. 読み込み/フォーマット データ → to_time_series_dataset または組み込みのローダーのいずれか。
2. TimeSeriesScalerMinMax、リサンプリングなどによる前処理。
3. モデル（例: KNeighborsTimeSeriesClassifier）の学習 (Fit)。
4. 同じ scikit-learn スタイルのメソッドを使用した予測 / 評価。
5. 必要に応じて、距離、重心 (barycenters)、またはその他の分析を計算。

ドキュメント & 例 – 完全な API リファレンス、ユーザーガイド、および Jupyter notebook のギャラリーは Read the Docs にて公開されています: https://tslearn.readthedocs.io。

コミュニティ – GitHub 上でオープンソースとして公開されており、貢献ガイドライン、機能リクエスト用のイシュートラッカー、および学術利用可能な引用情報 (JMLR 2020) が用意されています。