Похідні ознаки: темпограма
Одна з переваг очищення даних у тому, що це дає змогу обчислювати складніші
ознаки. Наприклад, розрахунок огинаючої, який ви виконали, — поширений прийом
для обчислення ознак темпу та ритму. У цій вправі ви скористаєтеся librosa,
щоб обчислити деякі темпові й ритмічні ознаки для даних серцебиття та знову навчити модель.
Зверніть увагу, що функції librosa зазвичай працюють лише з масивами numpy, а не з DataFrame,
тому ми звертатимемося до наших даних Pandas як до масиву Numpy за допомогою атрибута .values.
Ця вправа є частиною курсу
Machine Learning для часових рядів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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)