tsfresh运行过程

tsfresh是一个基于时序数据的特征提取库，它可以自动从时间序列数据中提取各种统计特征以及时间序列的基本特征，如趋势、周期性、季节性等，这些特征可以用于时间序列分类、回归、聚类等任务。

tsfresh的运行过程可以分为以下几个步骤：

1. 准备数据：将时间序列数据整理成pandas.DataFrame格式，其中每行表示一个时间序列，每列表示时间序列的一个时间点的取值。

2. 特征提取：使用tsfresh.extract_features()函数从时间序列数据中提取特征。该函数接受一个pandas.DataFrame格式的数据作为输入，以及一些特征提取的参数，如需要提取的特征类型、时间序列数据的时间索引等。tsfresh会自动根据这些参数从时间序列数据中提取各种特征，并返回一个pandas.DataFrame格式的特征矩阵。

3. 特征过滤：使用tsfresh.select_features()函数对提取出来的特征进行过滤。该函数接受一个pandas.DataFrame格式的特征矩阵作为输入，以及一些过滤的参数，如需要过滤的特征类型、需要保留的特征数量等。tsfresh会根据这些参数对特征矩阵中的特征进行过滤，并返回一个pandas.DataFrame格式的特征矩阵。

4. 特征标准化：使用tsfresh.utilities.dataframe_functions.impute()函数对特征矩阵中的缺失值进行填充，并使用tsfresh.utilities.dataframe_functions.normalize_features()函数对特征矩阵中的特征进行标准化。

5. 模型训练和预测：将处理后的特征矩阵输入到机器学习模型中进行训练和预测。tsfresh并不提供机器学习模型，因此用户需要自己选择适合任务的机器学习模型，如支持向量机、随机森林等。