# wdtw_python

**Repository Path**: hailoong/wdtw_python

## Basic Information

- **Project Name**: wdtw_python
- **Description**: Cython 加速的加权动态时间规整 (WDTW)
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-16
- **Last Updated**: 2025-09-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# WDTW for Python

WDTW (Weighted Dynamic Time Warping) 是一个用于计算两个时间序列之间相似性的算法。这个项目提供了一个Python接口，用于高效地计算加权动态时间规整距离。

## 特性

- 提供高效的WDTW算法实现。
- 支持自定义权重向量和Sakoe-Ham band限制。
- 可用于时间序列分析、模式识别等领域。

## 安装

要安装这个模块，你需要先确保已经安装了`Cython`和`numpy`。可以通过以下命令安装依赖：

```bash
pip install cython numpy
```

然后，克隆仓库并进入目录：

```bash
git clone https://gitee.com/hailoong/wdtw_python.git
cd wdtw_python
```

最后，运行安装命令：

```bash
python setup.py install
```
或者，编译扩展模块：
```bash
python setup.py build_ext --inplace
```
## 使用方法

以下是如何使用WDTW模块的基本示例：

```python
import numpy as np
from wdtw_python import wdtw_c

# 创建两个时间序列
x = np.array([1, 2, 3, 4, 5], dtype=np.float64)
y = np.array([1, 2, 2, 2, 3, 4, 5], dtype=np.float64)

# 创建权重向量
weight_vec = np.array([1, 2, 2, 2, 1, 1, 1], dtype=np.float64)

# 计算WDTW距离
distance = wdtw_c(x, y, weight_vec, sakoe_band=100000, alpha=1.0)

print("WDTW Distance:", distance)
```

## 函数参数说明

- `x`: 第一个时间序列数组。
- `y`: 第二个时间序列数组。
- `weight_vec`: 权重向量，用于调整不同点之间的权重，需要和y的长度相同。
- `sakoe_band`: Sakoe-Ham band的宽度限制，用于限制对齐路径。
- `alpha`: 调整权重的参数。

## 贡献

欢迎贡献代码或报告问题。请在GitHub上提交Pull Request或Issue。

## 许可证

该项目使用MIT License。详情请查看仓库中的LICENSE文件。