tslearn-team/tslearn

tslearn – Python 時序數據機器學習工具包

簡介 – 一個擴展了熟悉的 scikit-learn API 以處理時序數據的 Python 函式庫。它提供了用於載入、預處理和生成時序數據的實用程式，以及用於分類、聚類、回歸和相似性度量的演算法集合。

核心功能

• 數據處理 – 將列表、其他工具包或 UCR 基準數據集轉換為所需的 3D NumPy 陣列 (n_ts, max_len, dim)。支援變長序列。
• 預處理 – 縮放、重採樣、分段轉換 (piece-wise transforms) 和合成生成器。
• 演算法
  • 分類: K-Nearest-Neighbour, Support-Vector Classifier, Learning Shapelets, Early Classification.
  • 回歸: K-Nearest-Neighbour Regressor, Support-Vector Regressor, MLP.
  • 聚類: TimeSeriesKMeans, K-Shape, Kernel K-Means.
  • 指標: Dynamic Time Warping, Global Alignment Kernel, matrix-profile, barycenters.
• 完全相容 scikit-learn – 模型可以在 pipelines、grid-search 和其他 scikit-learn 實用程式中使用。

安裝

# 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

（需要 Python 3.10+ 及標準的 scientific-Python 技術棧。）

典型工作流程

1. 載入/格式化 數據 → to_time_series_dataset 或內建載入器之一。
2. 使用 TimeSeriesScalerMinMax、重採樣等進行預處理。
3. 擬合 (Fit) 模型，例如 KNeighborsTimeSeriesClassifier。
4. 使用相同的 scikit-learn 風格方法進行預測 / 評估。
5. 可選地計算距離、重心 (barycenters) 或其他分析。

文件與範例 – 完整的 API 參考、使用者指南和 Jupyter notebook 庫託管在 Read the Docs 上：https://tslearn.readthedocs.io。

社群 – 在 GitHub 上開源，提供貢獻指南、功能請求的議題追蹤器，以及可用於學術引用的引用資訊 (JMLR 2020)。