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

Aperta Adatta ai principianti
#101 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
78/100
Tipo di issue
Bug
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Ambito
data

Direzione di ricerca

Inizia da src/transformers/other_transformers/univariate_time_type_to_continuous.jl, dove l’issue indica il calcolo della lunghezza del passo e il ramo che gestisce il passaggio alla mezzanotte. Riproduci il problema con Time(13), Time(14) e Time(19) usando il passo predefinito, Hour(13) e Hour(36), quindi esamina i test esistenti per questo trasformatore. Il lavoro è terminato quando ogni trasformazione restituisce i valori non negativi attesi, scalati in base al proprio passo.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

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.

Lingua principale
Julia
Stelle
1
Fork
5
Merge medio
1g 45m
PR unite (30g)
8

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di JuliaAI/MLJTransforms.jl

Tutte le issue di JuliaAI/MLJTransforms.jl

Issue simili

Altre issue su Julia

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.