弗雷德 快速，可扩展且轻量级的C ++Fréchet距离库，暴露于python，专注于多边形曲线的（k，l）聚类。 成分C ++后端 import Fred.backend as fred 线程数 默认情况下，Fred将自动确定要使用的线程数。如果要设置上限，请调用fred.set_maximum_number_threads(number) 。 曲线 签名： fred.Curve(np.ndarray) ， fred.Curve(np.ndarray, str name) 属性： fred.Curve.values ：曲线为np.ndarray ， fred.Curve.name ：获取曲线的名称， fred.Curve.dimensions ：曲线的尺寸， fred.Curve.complexity ：曲线的点数 曲线图 签名： fred.Curves() 方法： fred.Curv

这是一篇在2015年发表的论文，英文题目为Time-series clustering – A decade review。这篇文章作者着重介绍了时序聚类的组成部分，同时也列举出组成部分的各大著名方法

时间序列聚类以及动态时间规整（DTW）距离的优化 具有各种策略的时间序列聚类以及针对动态时间规整（DTW）距离及其对应的下限（LB）的一系列优化。 既有传统聚类算法的实现，也有更新的过程，例如k-Shape和TADPole聚类。 使用自定义距离度量和质心定义可以轻松扩展功能。 此软件包中实现的许多算法都是专门为DTW量身定制的，因此得名。 但是，主要的聚类功能很灵活，因此可以直接使用时间序列或通过应用适当的转换，然后在结果空间中进行聚类，来测试许多不同的聚类方法。 软件包中包含的其他实现为DTW提供了一些替代方案。 想要查询更多的信息： （附录中带有示例） 实作 分区，层次和模糊聚类 k形聚类 基于形状的距离 时间序列的形状提取 TADPole聚类 DTW的优化版本 Keogh和Lemire的DTW下限 全局对齐内核（GAK）距离 DTW重心平均 软DTW（距离和质心） 一些多变量支

使用tslearn的示例代码。 目的：对波形数据或时间序列数据进行聚类。 tslearn是基于python的机器学习库之一。 tslearn： : 用日语。 使用KShape算法对样本数据执行波形聚类。 必须为算法指定簇数作为参数。这次，我预先检查了数据，并知道有2个类，因此我设置了n_clusters=2 。 有几种检查簇数的方法，但是这次我们使用弯头法进行检查。 其他可能的方法如下。 BIC / AIC GAP方法 轮廓法 肘法