معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Generate behavioral embeddings of postural time series.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ethomap-0.1.1
نام	ethomap
نسخه کتابخانه	0.1.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Duncan Mearns
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/ethomap/
مجوز	AGPL-3.0

# Ethomap Lightweight library with basic modules for generating behavioral embeddings from dynamic time warping of postural time series. Also includes modules to decompose behavioral sequences into transition modes. Based on [Mearns et al. (2020)](https://www.sciencedirect.com/science/article/pii/S0960982219314617). # Installation ```commandline pip install ethomap ``` # Examples ## Dynamic time warping ```python from ethomap import DynamicTimeWarping # from dtw module import numpy as np # Create some 3D time series x = np.random.rand(200, 3) y = np.random.rand(200, 3) # Align time series y to x dtw = DynamicTimeWarping(x) dist = dtw.align(y) print("DTW distance between x and y:", dist) ``` ## Behavioral embedding ```python from ethomap import pdist_dtw, affinity_propagation, IsomapPrecomputed import numpy as np import time from scipy.spatial.distance import squareform # Create some 3D time series to align pairwise xs = np.random.rand(1000, 50, 3) # Compute pairwise distances between time series (pdist_dtw from ethomap.distance) t0 = time.time() distances = pdist_dtw(xs, parallel_processing=True, n_processors=4, bw=0.1, fs=100) distance_matrix = squareform(distances) # make square t1 = time.time() print("Time taken:", t1 - t0, "seconds") # ~30 seconds for data of this size print(distance_matrix.shape) # (1000, 1000) # Create behavioral space from all data (IsomapPrecomputed from ethomap.embed) isomap = IsomapPrecomputed(n_neighbors=5, n_components=2) embedding = isomap.fit_transform(distance_matrix) print(embedding.shape) # (1000, 2) # Find exemplars by clustering distance matrix (affinity_propagation from ethomap.cluster) ap = affinity_propagation(distance_matrix, preference="median") cluster_labels = ap.labels_ exemplar_indices = ap.cluster_centers_indices_ # Select exemplars from original data exemplars = xs[exemplar_indices] exemplar_distances = distance_matrix[exemplar_indices, :][:, exemplar_indices] print(exemplars.shape) # (n_exemplars, 50, 3) print(exemplar_distances.shape) # (n_exemplars, n_exemplars) # Create behavioral space from exemplars only embedding_exemplars = isomap.fit_transform(exemplar_distances) print(embedding_exemplars.shape) # (n_exemplars, 2) ```

نیازمندی

مقدار	نام
>=1.23,<2.0	numpy
>=1.1.0,<2.0.0	scikit-learn
>=1.9.0,<2.0.0	scipy
>=1.0.0,<2.0.0	joblib
>=0.56.0,<0.57.0	numba

زبان مورد نیاز

مقدار	نام
>=3.9,<4.0	Python

نحوه نصب

نصب پکیج whl ethomap-0.1.1:

pip install ethomap-0.1.1.whl

نصب پکیج tar.gz ethomap-0.1.1:

pip install ethomap-0.1.1.tar.gz