import pandas as pd

    # 读取数据帧，将其转化为时间序列数组，并将其存储在一个列表中    tata = []    for i, df in enmee(dfs):

        

        # 检查每个时间序列数据的最大长度。        for ts in tsda:

            if len(s) > ln_a:

                lenmx = len(ts)

        

        # 给出最后一个数据，以调整时间序列数据的长度        for i, ts in enumerate(tsdata):

            dta[i] = ts + [ts[-1]] * n_dd

    





    # 转换为矢量    stack_list = []    for j in range(len(timeseries_dataset)):

       

        stack_list.append(data)

    

    # 转换为一维数组    trasfome_daa = np.stack(ack_ist, axis=0)

    return trafoed_data

# 文件列表flnes= soted(go.ob('mpldat/smeda*.csv'))

# 从文件中加载数据帧并将其存储在一个列表中。for ienme in fiemes:

    df = pd.read_csv(filnme, indx_cl=one,hadr=0)    flt.append(df)

# 为了计算交叉关系，需要对它们进行归一化处理。# TimeSeriesScalerMeanVariance将是对数据进行规范化的类。sac_da = TimeeiesalerMVarne(mu=0.0, std=1.0).fit_trnform(tranfome_data)# KShape类的实例化。ks = KShpe(_clusrs=2, n_nit=10, vrboe=True, rano_stte=sed)

yprd = ks.ft_reitsak_ata)# 聚类和可视化plt.tight_layout()

plt.show()

#计算到1~10个群组 for i  in range(1,11):

    #进行聚类计算。

    ks.fit(sacdta)

    #KS.fit给出KS.inrta_    disorons.append(ks.netia_)



plt.plot(range(1,11), disorins, marker='o')