Некоторые библиотеки, которые вы можете использовать для анализа временных рядов
Сегодня мы рассмотрим некоторые библиотеки, которые вы можете использовать при работе с временными рядами в Python. С помощью этих библиотек вы можете предсказать будущие значения некоторых из ваших значений, таких как продажи, спрос и цена. Начнем обзор не в порядке важности.
Пророк
Prophet — это программное обеспечение с открытым исходным кодом, разработанное и опубликованное командой Facebook Core Data Science. Логика работы библиотеки основана на аддитивной модели, в которой нелинейные тренды совместимы с годовой, еженедельной и ежедневной сезонностью, а также с праздничными эффектами. Лучше всего он работает с временными рядами с сильными сезонными эффектами и историческими данными за несколько сезонов. Пророк устойчив к потере данных и изменениям тенденций, но также обычно хорошо справляется с выбросами.
Согласно официальной документации, fbprophet работает с высокой точностью, с данными временных рядов со значительными сезонными эффектами и предыдущими данными за несколько сезонов. Кроме того, fbprophet утверждает, что он устойчив к отсутствующим данным и может эффективно управлять выбросами. Вы можете посетить сайты документации для получения дополнительной информации и примеров фрагментов кода.
статистикапрогноз
Statsforecast предоставляет пользователям набор широко используемых одномерных моделей прогнозирования временных рядов, включая автоматизированное моделирование ARIMA и ETS, оптимизированных для повышения производительности с помощью numba. Он также предлагает отличную модель бенчмаркинга. Согласно официальному сайту:
- Самый быстрый и точный ETS в R & Python.
- совместим с интерфейсом sklearn.
- Скомпилирован в высокопроизводительный машинный код с помощью numba.
- Включение экзогенных переменных и интервалов прогнозирования для ARIMA.
- Самый быстрый и точный AutoARIMA в R & Python.
- Замените FB-Prophet двумя строчками кода и получите скорость и точность.
- WindowAverage, RandomWalkWithDrift, CrostonSBA, SeasonalWindowAverage, CrostonClassic, TSB, SeasonalExponentialSmoothing; они готовы к использованию.
Пикарет
PyCaret — это библиотека машинного обучения с открытым исходным кодом, которая автоматизирует рабочие процессы машинного обучения в Python.
Хотя PyCaret не является специализированной библиотекой прогнозирования временных рядов, в нем есть новый модуль, предназначенный для прогнозирования временных рядов. Он все еще находится в режиме предварительного выпуска, но вы можете попробовать это, установив pycaret с тегом —pre.
По словам создателя библиотеки, модуль временных рядов PyCaret совместим с текущим API и полностью загружен его функциями. Вы можете выполнять статистическое тестирование, обучение и выбор модели (более 30 алгоритмов), анализ модели, автоматическую настройку гиперпараметров, журнал экспериментов, развертывание в облаке и многое другое с помощью нескольких строк кода.
TSFresh
TSFresh tsfresh — это библиотека Python, которая автоматизирует извлечение признаков из временных рядов. Логика библиотеки основана на идее, что информацию во временном ряду можно разложить на набор значимых функций, называемых функциями. tsfresh берет на себя утомительную работу по ручному извлечению этих атрибутов и предоставляет инструменты для автоматического выбора и классификации атрибутов. Библиотека предназначена для работы с пандами DataFrames и предлагает широкий спектр функций для работы с данными временных рядов, в том числе:
- Обнаружение выбросов
- Разложение временных рядов
- Поддержка пропущенных значений
- Автоматический выбор функций
- Автоматическое извлечение признаков из временных рядов
- Многоязычная поддержка
sktime
Sktime — это набор инструментов Python для работы с данными временных рядов. Он предлагает ряд инструментов для работы с данными временных рядов, включая инструменты для обработки, визуализации и анализа данных. Sktime разработан так, чтобы быть простым в использовании и расширяемым, чтобы можно было легко реализовать новые алгоритмы временных рядов.
Sktime предоставляет расширение для scikit-learn API. Он содержит все необходимые методы и инструменты для эффективного решения задач, связанных с регрессией, оценкой и классификацией временных рядов. Библиотека включает пользовательские алгоритмы машинного обучения, а также методы преобразования временных рядов.
Согласно документам sktime, их назначение; сделать экосистему анализа временных рядов в целом более функциональной и удобной. sktime предоставляет унифицированный интерфейс для различных, но связанных задач обучения временным рядам. Он включает в себя проприетарные алгоритмы временных рядов и инструменты для создания составных моделей, включая создание конвейера, слияние, настройку и сокращение, которые позволяют пользователям применять алгоритм для одной задачи к другой.
Отсюда здесь вы можете получить доступ к дополнительной информации.
Заключение
Подводя итог, каждая из этих библиотек, которые я перечислил, была подготовлена с очень сильной и надежной инфраструктурой. Вы можете выбрать любой в соответствии с целью и масштабом вашего проекта и данных и начать свой анализ.
