lilio：基于时间序列数据的机器学习日历生成器

A python包，用于生成日历来重采样时间序列数据，以供机器学习训练和目标数据使用。以格里高利日历的发明者命名。

Lilio最初是为s2spy设计的，这是一个高级Python包，集成了专业知识与人工智能以提高（次）季节性预测。

安装

要安装lilio的最新版本，请执行以下操作

python3 -m pip install lilio

Lilio也可在conda-forge上使用。如果您使用conda，请执行以下操作

conda install -c conda-forge lilio

要从GitHub仓库安装开发版本，请执行以下操作

python3 -m pip install git+https://github.com/AI4S2S/lilio.git

配置包以进行开发和测试

更详细的开发者指南可在此处找到。

此处使用的测试框架是pytest。在运行测试之前，我们获取源代码的本地副本，并通过以下命令安装lilio

git clone https://github.com/AI4S2S/lilio.git
cd lilio
python3 -m pip install -e .[dev]

然后，运行测试

hatch run test

lilio日历的工作原理

在Lilio中，日历是二维的。每一行（年份）代表一个独特的数据观察，而每一列对应一个具有特定延迟的先导期。这是我们为机器学习应用组织数据的方式。

我们将“锚定日期”定义为在目标期和先导期之间（严格来说，是第一个目标区间的开始）。所有其他区间都表示为此锚定日期的偏移量。方便的是，这消除了与闰年相关的任何歧义。

以下是用Lilio生成的日历

>>> calendar = lilio.daily_calendar(anchor="11-30", length='180d')
>>> calendar = calendar.map_years(2020, 2021)
>>> calendar.show()
i_interval                         -1                         1
anchor_year
2021         [2021-06-03, 2021-11-30)  [2021-11-30, 2022-05-29)
2020         [2020-06-03, 2020-11-30)  [2020-11-30, 2021-05-29)

现在，用户可以加载数据input_data（例如pandas DataFrame），并将其重采样到日历中配置的所需时间尺度

>>> calendar = calendar.map_to_data(input_data)
>>> bins = lilio.resample(calendar, input_data)
>>> bins
  anchor_year  i_interval                  interval  mean_data  target
0        2020          -1  [2020-06-03, 2020-11-30)      275.5    True
1        2020           1  [2020-11-30, 2021-05-29)       95.5   False
2        2021          -1  [2021-06-03, 2021-11-30)      640.5    True
3        2021           1  [2021-11-30, 2022-05-29)      460.5   False

为了方便起见，Lilio为标准日历提供了一些缩写，例如monthly_calendar和weekly_calendar。但是，您也可以通过直接调用Calendar来创建自定义日历。有关示例，请参阅此示例笔记本。

文档

有关使用lilio包的详细信息，请访问Readthedocs上托管的文档页面。

贡献

如果您想为lilio的开发做出贡献，请查看贡献指南。

如何引用我们

如果您在研究中使用了此包，请使用Zenodo DOI来引用此包。

致谢

本包由荷兰eScience中心和阿姆斯特丹自由大学开发，资金来源于荷兰eScience中心资助NLESC.OEC.2021.005。

本包使用Cookiecutter和NLeSC/python-template创建。