Производные признаки: темпограмма
Одно из преимуществ очистки данных состоит в том, что она открывает возможность для вычисления более сложных признаков. Например, расчёт огибающей, который вы выполняли ранее, — распространённый приём при извлечении признаков темпа и ритма. В этом упражнении вы воспользуетесь librosa, чтобы вычислить признаки темпа и ритма для данных сердечного ритма, а затем снова обучите модель.
Обратите внимание: функции librosa, как правило, работают только с массивами numpy, а не с DataFrame. Поэтому для доступа к данным Pandas в виде массива Numpy используйте атрибут .values.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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**10))
# 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)