TSFEL：时间序列特征提取库
项目地址: https://gitcode.com/gh_mirrors/ts/tsfel 1. 项目基础介绍与主要编程语言
TSFEL（Time Series Feature Extraction Library）是一个由 fraunhoferportugal 开发的时间序列特征提取库。该项目是一个开源项目，主要使用 Python 编程语言编写。TSFEL 提供了一种直观、高效且可重复的方法来从时间序列数据中提取特征，适用于数据分析、机器学习和信号处理等多个领域。
2. 项目的核心功能
TSFEL 库的核心功能是从时间序列数据中自动提取多种特征，这些特征涵盖了统计域、时域、频域和分形域。以下是库的一些核心功能：
-
统计域特征：包括绝对能量、平均功率、累积分布函数（ECDF）、熵、直方图、四分位距、峰度、最大值、平均值、平均绝对偏差、中位数、中位数绝对偏差、最小值、均方根、偏度、标准差和方差等。
-
时域特征：包括曲线下的面积、自相关、质心、Lempel-Ziv 复杂度、绝对差分的平均值、差分的平均值、中位数绝对差分、中位数差分、负转点、峰间距离、正转点、信号距离、斜率、绝对差分之和和零交叉率等。
-
频域特征：包括快速傅立叶变换（FFT）的平均系数、基频、人耳范围能量、线性预测系数（LPCC）、梅尔频率倒谱系数（MFCC）、最大功率谱、最大频率、中值频率、功率带宽、频谱质心、频谱下降、频谱距离、频谱熵、频谱峰度、频谱正转点、频谱截止频率、频谱起始频率、频谱偏度、频谱斜率、频谱扩展、频谱变化、小波绝对均值、小波能量、小波标准差、小波熵和小波方差等。
-
分形域特征：包括去趋势波动分析（DFA）、Higuchi 分形维度、Hurst 指数、最大分形长度、多尺度熵（MSE）和Petrosian 分形维度等。
3. 项目最近更新的功能
根据项目的最新更新，以下是一些最近加入的功能：
- 优化了部分算法，提高了计算效率。
- 添加了对一些新特征的支持。
- 对文档进行了更新和完善，使得用户更容易理解和使用该库。
- 增强了单元测试，确保特征的准确性和可靠性。
请注意，以上内容均为基于项目描述和文档的概述，具体的功能更新请参考项目的官方文档和 Release 说明。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
