一维时间序列数据增强 python实现

数据增强是一种常用的数据处理技术，可以扩增数据集，提高模型的泛化能力，减少过拟合。对于一维时间序列数据，常见的数据增强方法包括平移、缩放、旋转、添加噪声等。下面是一些常见的一维时间序列数据增强方法的 Python 实现：

1. 平移

平移是一种简单有效的数据增强方法，可以通过将时间序列数据在时间轴上平移一定的距离来扩增数据集。平移的距离可以是正数或负数，可以通过 numpy 库的 roll 函数来实现。

import numpy as np

def shift(data, shift_range):
    """
    平移数据

    Args:
        data: 一维时间序列数据，numpy 数组
        shift_range: 平移范围，正数表示向右平移，负数表示向左平移，单位为采样点数

    Returns:
        平移后的数据，numpy 数组
    """
    return np.roll(data, shift_range)

2. 缩放

缩放是一种常用的数据增强方法，可以通过改变时间序列数据的时间间隔来扩增数据集。缩放的比例可以是大于 1 的正数或小于 1 的正数，可以通过 scipy 库的 interpolate 函数来实现。

from scipy.interpolate import interp1d

def scale(data, scale_factor):
    """
    缩放数据

    Args:
        data: 一维时间序列数据，numpy 数组
        scale_factor: 缩放比例，大于 1 表示放大，小于 1 表示缩小

    Returns:
        缩放后的数据，numpy 数组
    """
    new_length = int(len(data) * scale_factor)
    new_x = np.linspace(0, len(data), len(data))
    new_x_rescaled = np.linspace(0, len(data), new_length)
    f = interp1d(new_x, data, kind='cubic')
    return f(new_x_rescaled)

3. 旋转

旋转是一种常用的数据增强方法，可以通过改变时间序列数据的相位来扩增数据集。旋转的角度可以是大于 0 小于 360 的正数，可以通过 numpy 库的 angle 函数来实现。

def rotate(data, angle):
    """
    旋转数据

    Args:
        data: 一维时间序列数据，numpy 数组
        angle: 旋转角度，单位为度

    Returns:
        旋转后的数据，numpy 数组
    """
    radian = np.deg2rad(angle)
    return np.imag(np.exp(radian * 1j) * np.fft.fft(data))

4. 添加噪声

添加噪声是一种常用的数据增强方法，可以通过在时间序列数据中添加随机噪声来扩增数据集。可以通过 numpy 库的 random 函数来实现。

def add_noise(data, noise_level):
    """
    添加噪声

    Args:
        data: 一维时间序列数据，numpy 数组
        noise_level: 噪声水平，噪声的标准差

    Returns:
        添加噪声后的数据，numpy 数组
    """
    noise = np.random.normal(0, noise_level, len(data))
    return data + noise

以上是一些常见的一维时间序列数据增强方法的 Python 实现，可以根据需要进行组合使用。