我有设备，我有一个连续变量的时间序列数据。我必须评估这些设备上该变量的配置文件与“事件”之间的关系。
这些事件是根据某个时间段内的发生情况给出的。
我的第一个意图是制作该变量的类似行为的集群，并将这些集群与低/中/高事件率进行比较。
我正在考虑用最小值、最大值、四分位数、平均值、正常 qq p 值、峰度等作为维度做 K-means，但我认为这不是一个好主意，因为：
您对将类似设备分组在一起有什么建议吗？
另外，您还有其他想法来建立这种关系吗？
语境：
使用描述性统计作为特征的 K-means 聚类完成：
简而言之，我已经尝试了问题中描述的想法，即使我认为它行不通。让经验说话...
我最初有一个设备数据列表。列表中的每个元素都是 2 列，R 行矩阵，每个设备的 R 都不同。因此，每个设备：
[
[mesureValue, timestamp],
...,
[mesureValue, timestamp],
]
由于我只对 measureValue 分布感兴趣，因此我将初始数据转换为 8 列、N 行矩阵，其中 N = 设备数。
这些列是根据相应设备的测量值计算得出的：
有了这个矩阵，我使用 scikit learn (python) 应用了 K-means 聚类。
我使用熊猫数据框（python）在矩阵线和物理设备之间建立了链接，其线索引实际上是设备的序列号。
我已经尝试了 5 个集群，它可以工作。
以防万一，如果我将来需要改进，我计划在列中添加其他统计信息，尤其是偏差与正态性。因此，例如峰度和正常 qq 图 p 值。
最好的祝福。