为时间序列预测机器学习重塑数据的有效方法（Numpy）答案

【问题标题】：Efficient way to Reshape Data for Time Series Prediction Machine Learning (Numpy)为时间序列预测机器学习重塑数据的有效方法（Numpy）
【发布时间】：2016-11-28 18:55:26
【问题描述】：

假设我有一个数据集（numpy 数组）X，包含 N 个时间序列样本，每个样本具有 D 维向量的 T 个时间步长，因此：

X.shape == (N,T,D)

现在我想将其重塑为 x（数据集）和 y（标签），以应用机器学习来预测时间序列中的步骤。

我想取每个长度为 n 的样本的每个子序列

x.shape==(N*(T-n),n,D) and y.shape==(N*(T-n)),D)

与

X[k,j:j+n,:]

是我在x 和

中的样本之一

X[k,j+n+1,:]

y 中的标签。

for 循环是唯一的方法吗？

【问题讨论】：

标签： python numpy machine-learning time-series reshape

【解决方案1】：

您正在寻找pandas data panel。 (http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Panel.html)。只需放入 numpy 数组，在短轴上转置并获得其 numpy 表示（.as_matrix() 或简单的.values）。如果你想真正只在 numpy 中做到这一点，numpy.transpose 只是为了 (https://docs.scipy.org/doc/numpy/reference/generated/numpy.transpose.html)

【讨论】：

【解决方案2】：

所以我有以下方法，但它有一个for循环，我不确定我不能做得更好：

    def reshape_data(self, X, n):
    """
    Reshape a data set of N time series samples of T time steps each
    Args:
        data: Time series data of shape (N,T,D)
        n: int, length of time window used to predict x[t+1]

    Returns:

    """
    N,T,D = X.shape

    x = np.zeros((N*(T-n),n,D))
    y = np.zeros((N*(T-n),D))

    for i in range(T-n):
        x[N*i:N*(i+1),:,:] = X[:,i:i+n,:]
        y[N*i:N*(i+1),:] = X[:,i+n,:]

    return x,y

【讨论】：