Características derivadas: El tempograma
Una ventaja de limpiar tus datos es que te permite calcular datos más sofisticados
características. Por ejemplo, el cálculo envolvente que has realizado es una técnica habitual
en funciones de tempo y ritmo informático. En este ejercicio, utilizarás librosa
para calcular algunas características de tempo y ritmo de los datos de los latidos, y ajustar un modelo una vez más.
Ten en cuenta que las funciones de librosa tienden a operar sólo con array Numpy en lugar de con DataFrames,
por lo que accederemos a nuestros datos Pandas como una matriz Numpy con el atributo .values.
Este ejercicio forma parte del curso
Machine learning para datos de series temporales en Python
Ejercicio interactivo práctico
Prueba este ejercicio completando el código de muestra.
# Calculate the tempo of the sounds
tempos = []
for col, i_audio in audio.items():
tempos.append(lr.beat.____(i_audio.values, sr=sfreq, hop_length=2**6, aggregate=None))
# Convert the list to an array so you can manipulate it more easily
tempos = np.array(tempos)
# Calculate statistics of each tempo
tempos_mean = tempos.____(axis=-1)
tempos_std = tempos.____(axis=-1)
tempos_max = tempos.____(axis=-1)