Deriverade särdrag: Tempogrammet
En fördel med att städa upp dina data är att du kan beräkna mer avancerade
särdrag. Enveloppe-beräkningen du genomförde är till exempel en vanlig teknik
när man beräknar särdrag för tempo och rytm. I den här övningen använder du librosa
för att beräkna tempo- och rytmsärdrag för hjärtljudsdata och sedan träna en modell.
Observera att librosa-funktioner oftast bara arbetar med numpy-arrayer i stället för DataFrames,
så vi hämtar våra Pandas-data som en NumPy-array med attributet .values.
Den här övningen är en del av kursen
Maskininlärning för tidsseriedata i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)