升级后的gplearn， 支持包含时序和截面参数的自定义函数，例如均线
定义，生成树型对象，定义交叉变异方法
graph LR
A[Start] --> B{Is it sunny?}
B -->|Yes| C[Go to the beach]
B -->|No| D[Watch a movie]
C --> E[End]
D --> E[End]
数据类型为：函数为_Function对象，变量为数字字符串，常数为数字
定义适应度函数，和自定义适应函数的方法
自定义函数和构建方法
定义函数对象_Function
包含是属性：
function：可调用函数
name：函数名
arity：参数个数
param_type：参数类型列表，长度与arity一致，默认不接受分类类型
该设计是本项目最重要的升级，影响公式树的构建
[{
'vector': {'category': (None, None), 'number': (None, None)},
'scalar': {'int': (None, None), 'float': (None, None)}
},]function_type：函数类型
'all', 'section', 'time_series‘
return_type：返回类型
'number', 'category'
模型接口，包括由工厂类派生出，回归，分类器和特征工程工具类，应用于不同场景
支持函数
test.py
自定义函数样例
| 函数名 | 实现逻辑 | 参数要求 | 输出类型 |
|---|---|---|---|
| combine（X, Y） | 拼接两个分类变量 | 【分类向量】，【分类向量】 | 【分类向量】 |
| 函数名 | 实现逻辑 | 参数要求 | 输出类型 |
|---|---|---|---|
| delay（X,d） | 时序变量滞后 | 【数值向量】，【整形常量】 | 【数值向量】 |
| delta（X,d） | 与滞后项作差 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_min（X,d） | 时间窗口最小值 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_max（X,d） | 时间窗口最大值 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_argmax（X,d） | 时间窗口最小值位置 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_argmin（X,d） | 时间窗口最大值位置 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_rank（X, d） | 时间窗口排序值 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_sum（X, d） | 时间窗口求和 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_stddev（X, d） | 时间窗口标准差 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_corr（X,Y,d） | 时间窗口相关系数 | 【数值向量】，【数值向量】，【整形常量】 | 【数值向量】 |
| ts_mean（X, d） | 时间窗口均值 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_neutralize（X, d） | 时间窗口Z分数 | 【数值向量】，【整形常量】 | 【数值向量】 |
| ts_freq（X, d） | 时间窗口Z分数 | 【数值向量】，【整形常量】 | 【数值向量】 |
| 函数名 | 实现逻辑 | 参数要求 | 输出类型 |
|---|---|---|---|
| EMA（X,d） | 指数平滑均线 | 【数值向量】，【整形常量】 | 【数值向量】 |
| DEMA（X,d） | 二重指数平滑线 | 【数值向量】，【整形常量】 | 【数值向量】 |
| MA（X,d） | 均线 | 【数值变量】，【整形常量】 | 【数值向量】 |
| KAMA（X,d） | 库夫曼自适应移动均线 | 【数值向量】，【整形常量】 | 【数值向量】 |
| MIDPOINT（X,d） | 中间点 | 【数值向量】，【整形向量】 | 【数值向量】 |
| BETA（X,Y,d） | 回归系数 | 【数值向量】，【数值向量】，【整形常量】 | 【数值向量】 |
| LINEARREG_SLOPE（X, d） | 回归斜率 | 【数值向量】，【整形常量】 | 【数值向量】 |
| LINEARREG_ANGLE（X, d） | 回归角度 | 【数值向量】，【整形常量】 | 【数值向量】 |
| LINEARREG_INTERCEPT（X, d） | 回归截距 | 【数值向量】，【整形常量】 | 【数值向量】 |
| 函数名 | 实现逻辑 | 参数要求 | 输出类型 |
|---|---|---|---|
| MAX_SECTION（X） | 最大值填充 | 【数值向量】 | 【数值向量】 |
| MIN_SECTION（X） | 最小值填充 | 【数值向量】 | 【数值向量】 |
| MEAN_SECTION（X） | 均值填充 | 【数值向量】 | 【数值向量】 |
| MEDIAN_SECTION（X） | 中位数填充 | 【数值向量】 | 【数值向量】 |
| STD_SECTION（X） | 标准差填充 | 【数值向量】 | 【数值向量】 |
| RANK_SECTION（X） | 序数填充 | 【数值向量】 | 【数值向量】 |
| NEUTRALIZE_SECTION（X） | Z分数填充 | 【数值向量】 | 【数值向量】 |
| FREQ_SECTION（X） | 频数填充 | 【分类向量】 | 【数值向量】 |
| CUT_EQUAL_DISTANCE（X, d） | 等距分组 | 【数值向量】，【整形标量】 | 【数值向量】 |
| CUT_EQUAL_AMOUNT（X, d） | 等量分组 | 【数值向量】，【整形标量】 | 【数值向量】 |
| 函数名 | 实现逻辑 | 参数要求 | 输出类型 |
|---|---|---|---|
| GROUPBYTHENMAX（gbx, X） | 分组后取最大值 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENMIN（gbx, X） | 分组后取最小值 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENMEAN（gbx, X） | 分组后取均值 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENMEDIAN（gbx, X） | 分组后取中位数 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENSTD（gbx, X） | 分组后取标准差 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENRANK（gbx, X） | 分组后取序数 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHENNEUTRALIZE（gbx, X） | 分组后取Z分数 | 【分类向量】，【数值向量】 | 【数值向量】 |
| GROUPBYTHEN_CUT_EQ_DIST（gbx, X, d） | 分组后取等距分组 | 【分类向量】，【数值向量】，【整形常量】 | 【数值向量】 |
| GROUPBYTHEN_CUT_EQ_AMT（gbx, X, d） | 分组后取等量分组 | 【分类向量】，【数值向量】，【整形常量】 | 【数值向量】 |
| GROUPBYTHENFREQ（gbx, X） | 分组后取取频数 | 【分类向量】，【数值向量】 | 【数值向量】 |
未调试完全， 有bug
处理完funtions模块的问题 调试成功，对于时序自定义函数中的常数参数，需要在函数中做去广播判定
test中加入了自定义函数的定义方法，需要忽略运行时的RuntimeWarning
functions中去掉了对于function.code.co_argument的限制 增强对函数修饰器的兼容
test.py debug 函数定义考虑特殊参数情况
新增面板数据支持功能 将场景分位截面，时序和面板 数据定义要求更新
函数定义要求更新
更新适应度惩罚计算
修改遗传规划中的特征筛选逻辑 （当最大相关系数绝对值低于某一阈值时，直接按fitness筛选）
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent