Tabata est un package qui permet la manipulation de séries de signaux numériques. C'est essentiellement une toolbox que je développe pour illuster une partie de mes cours de statistique descriptive. Notamment j'y laisse les sujets des examens de ces dernières années. On y trouve un peu de machine-learning, un peu de visualisation graphique et beaucoup d'interactivité dans les notebooks Python.
tabata
+ notebooks
| + opset_doc + instants_doc + tubes_doc + plots_doc
| + data
| + in (exemple de données)
| | + AFL1EB.h5 (Aircraft FLight 1 Extended & Banalized)
| |
| + out (données produites par les notebooks
| + exercices
| + examen 20## *
| | ...
+ scripts
| + pip_intall_all.bat (installation des packages utiles)
| + pipupdate.bat
| + jupyterlab_plotly_install.bat (plaotly sous jupyterlab)
+ opset.py
| + Opset
| + OpsetError
+ instants.py
| + Selector + indicator()
+ tubes.py
| + Tube + highlight() + AppTube
+ plots.py
+ nameunit() + selplot() + byunitplot() + get_colname()
+ groupplot() + doubleplot()
La plupart des analyses de données travaillent sur un tableau de mesures. Pourtant très souvent on a affaire à une liste de signaux. C'est le cas dans l'aéronautique quand on traite une série de vols (ou d'essais) et que chaque vol remonte un tableau de mesures indexé par le temps, souvent à une fréquence moyenne entre 1 Hz et 100 Hz. On a exactement la même chose quand on veut suivre les données d'usinage issues d'une machine-outil. Dans ce second cas, chaque pièce usinée donne un signal de mesures faites par la machine durant l'opération de production.
La première chose à faire quand on dispose de tels listes de signaux et de pouvoir les manipuler et les afficher. L'opset est un raccourci pour "liste d'opérations". Avec l'objet Opset il est facile de placer ses signaux stockés dans des DataFrames pandas dans un unique fichier HDF5. L'Opset réfère alors ce fichier et offre des fonctions d'itération et de visualisation.
Le sous-package "instants" contient l'objet Selector qui peremt de créer de manière interactive un détecteur d'instants spécifiques. Ce type d'instant correspond à des éléments graphiques visuels qu'un expert est capable d'identifier à l'écran. Le code utilise cet a priori pour construire une règle de décision très simple qui mime le comportement de l'expert.
Le sous-package "tubes" gère les opérations de scoring et de détection de signaux faible à l'aide de tubes de confiances adaptatifs.
Un notebook spécifique détaille chacun de ces packages.
Les tubes sont encore très rudimentaires, il reste à faire notamment une estimation des bornes statistiquement robuste à partir de valeurs extrêmes et pouvoir transférer un miodèle de tube sur un signal qui n'a pas servi à l'apprentissage. Je mets la plupart de ces choses "à faire" dans les issues.
Installation/Requirements.*
Pour faciliter une installation fonctionnelle, j'ai ajouté deux fichiers requirements que vous pouvez utiliser avec conda ou pip respectivement :
conda create --name <env> --file requirements_conda.txt
ou
python3 -m venv env
source env/bin/activate
pip install -r requirements.txt
Pour tables qui est nécessaire au fonctionnement de pandas avec hdf5, si vous avez un problème, vous pouvez essayer ceci :
pip install git+https://github.com/PyTables/PyTables.git@develop#egg=tables
Finalement, sous Windows, il peut rester quelques problèmes, auquel cas, on passe par un raccourci. Vous télécharger le package depuis https://www.lfd.uci.edu/~gohlke/pythonlibs/#pytables et vous l'installez avec wheel. Par exemple pour Python 3.7 :
pip install tables‑3.6.1‑cp37‑cp37m‑win_amd64.whl