UnivariateTimeTypeToContinuous returns negative / wrong values for Time data when min_dt + step wraps past midnight

Abierto Apto para principiantes
#101 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Los mantenedores suelen responder en 1 día

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
2/5
Tiempo estimado
1-3 horas
Aptitud para principiantes
78/100
Tipo de issue
Error
Claridad
Bien especificado
Estado de actividad
Activo
Área
data

Línea de trabajo

Empieza por src/transformers/other_transformers/univariate_time_type_to_continuous.jl, donde el issue señala el cálculo de la longitud del paso y la rama que gestiona el cambio de día a medianoche. Reproduce el problema con Time(13), Time(14) y Time(19) usando el paso predeterminado, Hour(13) y Hour(36); después, revisa las pruebas existentes para este transformador. Se considera terminado cuando cada transformación devuelve los valores no negativos esperados, escalados según su paso.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

UnivariateTimeTypeToContinuous gives wrong results, including negative values, for Dates.Time input whenever min_dt + step wraps past midnight. With the default step = Hour(24), that happens as soon as the earliest time in the training data is at or after 12:00.

Minimal example
using MLJBase, MLJTransforms, Dates

fitt(model, X) = (m = machine(model, X); fit!(m, verbosity=0); m)

X1 = [Time(9),  Time(10), Time(15)]
X2 = [Time(13), Time(14), Time(19)]

transform(fitt(UnivariateTimeTypeToContinuous(), X1), X1)
# [0.0, 0.041666666666666664, 0.25]      (correct: 1/24, 6/24)

transform(fitt(UnivariateTimeTypeToContinuous(), X2), X2)
# [-0.0, -0.041666666666666664, -0.25]   (expected [0.0, 1/24, 6/24])

transform(fitt(UnivariateTimeTypeToContinuous(step=Hour(13)), X2), X2)
# [-0.0, -0.0909..., -0.5454...]         (expected [0.0, 1/13, 6/13] ≈ [0.0, 0.0769, 0.4615])

transform(fitt(UnivariateTimeTypeToContinuous(step=Hour(36)), X2), X2)
# [-0.0, -0.0833..., -0.5]               (expected [0.0, 1/36, 6/36])

transform(fitt(UnivariateTimeTypeToContinuous(step=Hour(1)), X2), X2)
# [0.0, 1.0, 6.0]                        (correct, because there's no wrap-around)

I ran this on MLJTransforms 0.2.3 with MLJBase 1.15.0 and Julia 1.13.3. The output above is copied from that session.

Cause

In src/transformers/other_transformers/univariate_time_type_to_continuous.jl, transform gets the step size from Dates.value(min_dt + step) - Dates.value(min_dt). In the next_time == min_dt branch it uses min_dt + Hour(12) instead. Time arithmetic wraps modulo 24 h, so:

  • with the default Hour(24) and min_dt ≥ 12:00, min_dt + Hour(12) wraps, delta comes out negative, and every output changes sign;
  • for any other step where min_dt + step crosses midnight (e.g. Hour(13) from 13:00, or any step longer than 24 h that isn't a multiple of 24 h), delta has the wrong magnitude and usually the wrong sign.

The same code is on dev (184aae1).

Expected

The output should be (X - min_dt) / step no matter what time of day min_dt is, i.e. [0, 1/24, 6/24] for X2 with the default step.

Possible fix (not tested)

For Time data the step length doesn't depend on min_dt, so the wrap-around branch can be skipped by computing the step length directly, e.g.

if min_dt isa Dates.Time
    delta = Float64(Dates.value(convert(Nanosecond, step)))
else
    delta = Float64(Dates.value(min_dt + step) - Dates.value(min_dt))
end

A regression test could fit on [Time(13), Time(14), Time(19)] with the default step, Hour(13) and Hour(36), and check the outputs are [0, 1, 6] ./ 24, ./ 13 and ./ 36.

Lenguaje dominante
Julia
Estrellas
1
Forks
5
Merge medio
1 d 45 min
PR fusionados (30 d)
8

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de JuliaAI/MLJTransforms.jl

Todos los issues de JuliaAI/MLJTransforms.jl

Issues similares

Más issues de Julia

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.