from __future__ import print_function
import os
import pandas as pd
import numpy as np
from . import load_stdata
from ..config import Config
from ..utils import string2timestamp
//from . import,“.” 代表使用相对路径导入，即从当前项目中寻找需要导入的包或数,from..import绝对导入语句。一个"."表示往上跳一级，假如A包含B和C，要往B里import一个东西，可以写from ..A(两个"."，跳的比A高一级了，可) import C.
class STMatrix(object):
"""docstring for STMatrix"""//STMatrix的字符串文本
def __init__(self, data, timestamps, T=48, CheckComplete=True)://定义构造函数
super(STMatrix, self).__init__()//#super表继承，这里继承自己
assert len(data) == len(timestamps)//assert:断言 前置条件断言:代码执行之前必须具备的特性，如果不满足程序就会中断
self.data = data
self.timestamps = timestamps
self.T = T
self.pd_timestamps = string2timestamp(timestamps, T=self.T)//字符转换成时间戳，timestamp = time.time()，为float型，时间戳是计算机能够识别的时间；时间字符串是人能够看懂的时间；元组则是用来操作时间的。
if CheckComplete:
self.check_complete()//转成每半小时每半小时
# index
self.make_index()//以每半小时的时间做索引
def make_index(self)://可能是做一个索引
self.get_index = dict()//字典 包括索引和对应的值
for i, ts in enumerate(self.pd_timestamps)://enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
self.get_index[ts] = i
def check_complete(self):
missing_timestamps = []
offset = pd.DateOffset(minutes=24 * 60 // self.T) //T=48,"//"表示取整除 - 返回商的整数部分（向下取整）。DateOffset可按指定的日历日时间段偏移日期时间，可能是把时间归成每半个小时一个。
pd_timestamps = self.pd_timestamps
i = 1
while i < len(pd_timestamps):
if pd_timestamps[i-1] + offset != pd_timestamps[i]:
missing_timestamps.append("(%s -- %s)" % (pd_timestamps[i-1], pd_timestamps[i]))
i += 1
for v in missing_timestamps:
print(v)
assert len(missing_timestamps) == 0
def get_matrix(self, timestamp)://获得timestamp为索引的data
return self.data[self.get_index[timestamp]]
def save(self, fname):
pass //Python pass 是空语句，是为了保持程序结构的完整性。pass 不做任何事情，一般用做占位语句。该处的 pass 便是占据一个位置，因为如果定义一个空函数程序会报错，当你没有想好函数的内容是可以用 pass 填充，使程序可以正常运行。
def check_it(self, depends): //检查关键字，应该要是对的
for d in depends:
if d not in self.get_index.keys():
return False
return True
def create_dataset(self, len_closeness=3, len_trend=3, TrendInterval=7, len_period=3, PeriodInterval=1): //这个函数没细看（太难了），大概讲的是构造出临近性、趋势性、周期性的三种数据形式
"""current version
"""
# offset_week = pd.DateOffset(days=7)
offset_frame = pd.DateOffset(minutes=24 * 60 // self.T)
XC = []
XP = []
XT = []
Y = []
timestamps_Y = []
depends = [range(1, len_closeness+1),
[PeriodInterval * self.T * j for j in range(1, len_period+1)],
[TrendInterval * self.T * j for j in range(1, len_trend+1)]]
i = max(self.T * TrendInterval * len_trend, self.T * PeriodInterval * len_period, len_closeness)
while i < len(self.pd_timestamps):
Flag = True
for depend in depends:
if Flag is False:
break
Flag = self.check_it([self.pd_timestamps[i] - j * offset_frame for j in depend])
if Flag is False:
i += 1
continue
x_c = [self.get_matrix(self.pd_timestamps[i] - j * offset_frame) for j in depends[0]]
x_p = [self.get_matrix(self.pd_timestamps[i] - j * offset_frame) for j in depends[1]]
x_t = [self.get_matrix(self.pd_timestamps[i] - j * offset_frame) for j in depends[2]]
y = self.get_matrix(self.pd_timestamps[i])
if len_closeness > 0:
XC.append(np.vstack(x_c))
if len_period > 0:
XP.append(np.vstack(x_p))
if len_trend > 0:
XT.append(np.vstack(x_t))
Y.append(y)
timestamps_Y.append(self.timestamps[i])
i += 1
XC = np.asarray(XC)
XP = np.asarray(XP)
XT = np.asarray(XT)
Y = np.asarray(Y)
print("XC shape: ", XC.shape, "XP shape: ", XP.shape, "XT shape: ", XT.shape, "Y shape:", Y.shape)
return XC, XP, XT, Y, timestamps_Y
if __name__ == '__main__':
pass //当**.py**文件被直接运行时，if __name__ ==’__main__'之下的代码块将被运行；当.py文件以模块形式被导入时，if __name__ == '__main__'之下的代码块不被运行。
总代码链接https://github.com/amirkhango/DeepST
