机器学习-滑窗

对于时间序列的分类、回归问题，有两类的数据分析方法。一种采用时间敏感网络，例如LSTM。直接将时间序列数据作为特征输入。另一种是先进行特征工程，将时间序列数据切段，对每段内的时间序列数据进行特征提取。再将众多特征作为常规机器学习算法的输入。

本节主要对第二种情况的时间序列数据切断进行简要分析

    这是一组传感器采集的时间序列原始数据，期待基于传感器的时间序列信息对其背后的物理现象进行分类。因此，通过红框产生等间隔长度序列。再将红框内的数据进行特征提取。

#20220318 数据滑窗的实现
def remov_list_L(list,new_member):#把list向左移动1个单位,填入new_member
    len_list = len(list)    
    list_new = list
    for i in range (len_list):
        if(i == (len_list-1)):            
            list_new[i] = new_member
        else:
            list_new[i] =list[i+1]
            
    return list_new
     
a =[0] * 5#初始化窗口大小
print(remov_list_L(a, 1))
print(remov_list_L(a, 2))
print(remov_list_L(a, 3))

以上代码为对原始数据进行切断的方法。a为设定的窗口及长度。new_member为下一帧要往窗口中放入的数据。本方法移动间隔为1个单元，对于窗口长度过长导致算法时间过长问题尚未解决。总之，先解决有无问题