如何使用 sklearn 对具有多个特征的时间序列数据进行归一化？答案

【问题标题】：How to normalize time series data with multiple features by using sklearn?如何使用 sklearn 对具有多个特征的时间序列数据进行归一化？
【发布时间】：2019-03-11 21:45:51
【问题描述】：

对于形状为(num_samples,features) 的数据，可以使用来自sklearn.preprocessing 的MinMaxScaler 轻松对其进行归一化。

但是，当对形状为(num_samples, time_steps,features)的时间序列数据使用相同的方法时，sklearn会报错。

from sklearn.preprocessing import MinMaxScaler
import numpy as np

#Making artifical time data
x1 = np.linspace(0,3,4).reshape(-1,1)
x2 = np.linspace(10,13,4).reshape(-1,1)
X1 = np.concatenate((x1*0.1,x2*0.1),axis=1)
X2 = np.concatenate((x1,x2),axis=1)
X = np.stack((X1,X2))

#Trying to normalize
scaler = MinMaxScaler()
X_norm = scaler.fit_transform(X) <--- error here

ValueError: 找到暗淡为 3 的数组。MinMaxScaler 应为

这个post 建议类似

(timeseries-timeseries.min())/(timeseries.max()-timeseries.min())

然而，它只适用于只有 1 个特征的数据。由于我的数据具有超过 1 个特征，因此此方法不起作用。

如何对具有多个特征的时间序列数据进行归一化？

【问题讨论】：

stackoverflow.com/a/59601298/10375049

标签： python-3.x scikit-learn

【解决方案1】：

要对形状（n_samples、timesteps、n_features）的 3D 张量进行归一化，请使用以下命令：

(timeseries-timeseries.min(axis=2))/(timeseries.max(axis=2)-timeseries.min(axis=2))

使用参数 axis=2 将返回沿第三维（即特征轴）执行的张量运算的结果。因此，每个特征都将被独立地标准化。

【讨论】：