Características derivadas: el tempograma
Una ventaja de limpiar tus datos es que te permite calcular características más sofisticadas. Por ejemplo, el cálculo de la envolvente que hiciste es una técnica habitual para obtener características de tempo y ritmo. En este ejercicio, usarás librosa para calcular algunas características de tempo y ritmo a partir de datos de latidos del corazón, y volverás a ajustar un modelo.
Ten en cuenta que las funciones de librosa suelen operar únicamente sobre numpy arrays en lugar de DataFrames, así que accederemos a nuestros datos de Pandas como un array de 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 y completa el código de muestra.
# Calculate the tempo of the sounds
tempos = []
for col, i_audio in audio.items():
tempos.append(lr.beat.____(y=i_audio.values, sr=sfreq, hop_length=2**6))
# 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)