時間序列是數(shù)據(jù)點的序列，通常由在一段時間間隔內(nèi)進行的連續(xù)測量組成。時間序列分析是使用統(tǒng)計技術對時間序列數(shù)據(jù)進行建模和分析，以便從中提取有意義的信息并做出預測的過程。

時間序列分析是一個強大的工具，可以用來從數(shù)據(jù)中提取有價值的信息，并對未來的事件做出預測。它可以用來識別趨勢、季節(jié)模式和變量之間的其他關系。時間序列分析還可以用來預測未來的事件，如銷售、需求或價格變動。

如果你正在使用Python處理時間序列數(shù)據(jù)，那么有許多不同的庫可以選擇。所以在本文中，我們將整理Python中最流行處理時間序列的庫。

Sktime

Sktime是一個用于處理時間序列數(shù)據(jù)的Python庫。它提供了一組處理時間序列數(shù)據(jù)的工具，包括用于處理、可視化和分析數(shù)據(jù)的工具。Sktime的設計是易于使用和可擴展的，這樣新的時間序列算法就可以很容易地實現(xiàn)并且進行集成。

Sktime正如其名，它支持scikit-learn API，包含了有效解決涉及時間序列回歸、預測和分類問題的所有必要方法和工具。該庫包含專門的機器學習算法以及時間序列的獨特的轉(zhuǎn)換方法，在其他庫中并沒有提供，所以Sktime可以作為一個非常好的基礎庫。

根據(jù)sktime的文檔，“我們的目標是使時間序列分析生態(tài)系統(tǒng)作為一個整體更具互操作性和可用性。Sktime為不同但相關的時間序列學習任務提供了統(tǒng)一的接口。它的特點是專門的時間序列算法和工具，用于組合模型的構建，包括流水線管道、集成、調(diào)優(yōu)和簡化，使用戶可以將一個任務的算法應用到另一個任務。

sktime還提供與相關庫的接口，例如scikit-learn、statsmodels、tsfresh、PyOD和[fbprophet]等等?！?/p>

下面是一個代碼樣例

from sktime.datasets import load_airline
 from sktime.forecasting.model_selection import temporal_train_test_split
 
 # from sktime.utils.plotting.forecasting import plot_ys
 
 y = load_airline()
 y_train, y_test = temporal_train_test_split(y)
 plt.title('Airline Data with Train and Test')
 y_train.plot(label = 'train')
 y_test.plot(label = 'test')
 plt.legend()

pmdarima

pmdarima是一個用于時間序列數(shù)據(jù)統(tǒng)計分析的Python庫。它基于ARIMA模型并且提供了各種分析、預測和可視化時間序列數(shù)據(jù)的工具。Pmdarima還提供了處理季節(jié)性數(shù)據(jù)的各種工具，包括季節(jié)性測試和季節(jié)性分解工具。

在時間序列分析中經(jīng)常使用的預測模型之一是ARIMA(自回歸綜合移動平均)。ARIMA是一種預測算法，可以根據(jù)時間序列的過去值中的信息來預測未來的值。

pmdarima是ARIMA模型的包裝器，它自帶一個自動超參數(shù)搜索函數(shù)，可以自動為ARIMA模型找到最佳超參數(shù)(p,d,q)。該庫包括下面一些主要的功能點:

• 一組關于平穩(wěn)性和季節(jié)性的統(tǒng)計測試
• 時間序列效用，如差分和逆差分
• 眾多的內(nèi)生和外生轉(zhuǎn)換器和特征化器，包括Box-Cox和傅立葉變換
• 季節(jié)時間序列分解
• 交叉驗證工具
• 內(nèi)置一個豐富的可用于原型和示例的時間序列數(shù)據(jù)集集合

AutoTS

顧名思義，它是一個用于自動時間序列分析的 Python 庫。AutoTS 允許我們用一行代碼訓練多個時間序列模型，以便我們可以選擇最適合的模型。

該庫是 autoML 的一部分，其目標是為初學者提供自動化庫。

TSFresh

tsfresh是一個可以自動從時間序列中提取特征的Python包。它基于時間序列中的信息可以分解為一組有意義的特征來實現(xiàn)的。tsfresh 負責手動提取這些特征的繁瑣任務，并提供自動特征選擇和分類的工具。它可以與 pandas DataFrames 一起使用，并提供廣泛的用于處理時間序列數(shù)據(jù)的函數(shù)，包括：

• 從時間序列中自動提取特征
• 自動特征選擇
• 時間序列分解
• 降維
• 異常值檢測
• 支持多種時間序列格式
• 支持缺失值
• 支持多種語言

Prophet

Prophet是由Facebook核心數(shù)據(jù)科學團隊發(fā)布的開源軟件。它基于一個相加模型，其中非線性趨勢適合每年、每周和每日的季節(jié)性，加上假日效應。它最適合具有強烈季節(jié)性效應的時間序列和幾個季節(jié)的歷史數(shù)據(jù)。Prophet對于缺失的數(shù)據(jù)和趨勢的變化具有很強的魯棒性，通常能夠很好地處理異常值。

根據(jù)官方文檔，fbprophet在處理具有顯著季節(jié)性影響的時間序列數(shù)據(jù)和幾個季節(jié)價值的之前數(shù)據(jù)時工作得非常好。此外fbprophet能夠抵抗缺失數(shù)據(jù)，并能夠有效地管理異常值。

Statsforecast

Statsforecast提供了一組廣泛使用的單變量時間序列預測模型，包括自動ARIMA和ETS建模并使用numba優(yōu)化。它還包括大量的基準測試模型。根據(jù)官網(wǎng)的介紹:

• Python和R中最快最準確的AutoARIMA。
• Python和R中最快最準確的ETS。
• 兼容sklearn接口。
• ARIMA的外生變量和預測區(qū)間的包含。
• 比pmdarima快20倍，比Prophet快500倍，比NeuralProphet快100倍，比statmodels快4倍。
• 通過numba編譯為高性能機器代碼。
• 開箱即用的實現(xiàn)ADIDA, HistoricAverage, CrostonClassic, CrostonSBA, CrostonOptimized, seasonalwindowaaverage, SeasonalNaive, IMAPA Naive, RandomWalkWithDrift, windowaaverage, SeasonalExponentialSmoothing, TSB, AutoARIMA和ETS。

kats

Kats 是 Facebook 研究團隊最近開發(fā)的另一個專門處理時間序列數(shù)據(jù)的庫。該框架的目標是為解決時間序列問題提供一個完整的解決方案。使用此庫，我們可以執(zhí)行以下操作：

• 時間序列分析
• 模式檢測，包括季節(jié)性、異常值、趨勢變化
• 產(chǎn)生65個特征的特征工程模塊
• 對時間序列數(shù)據(jù)建立預測模型，包括Prophet、ARIMA、Holt Winters等。

Darts

Darts 是由 Unit8.co 開發(fā)的用于預測時間序列，并且對scikit-learn 友好 的Python 包。它包含大量模型，從 ARIMA 到深度神經(jīng)網(wǎng)絡，用于處理與日期和時間相關的數(shù)據(jù)。

該庫的好處在于它還支持用于處理神經(jīng)網(wǎng)絡的多維類。

它還允許用戶結(jié)合來自多個模型和外部回歸模型的預測，從而更容易地對模型進行回測。

Pyflux

Pyflux 是一個為 Python 構建的開源時間序列庫。Pyflux選擇了更多的概率方法來解決時間序列問題。這種方法對于需要更完整的不確定性的預測這樣的任務特別有利。

用戶可以建立一個概率模型，其中通過聯(lián)合概率將數(shù)據(jù)和潛在變量視為隨機變量。

PyCaret

PyCaret是一個基于Python的開源、低代碼的機器學習庫，它是一個端到端機器學習和模型管理工具，可以成倍地加快實驗周期，讓工作效率更高。

與其他開源機器學習庫相比，PyCaret是一個可替代的低代碼庫，可以只用幾行代碼替換數(shù)百行代碼。這使得實驗的速度和效率呈指數(shù)級增長。PyCaret本質(zhì)上是scikit-learn、XGBoost、LightGBM、CatBoost、spacacy、Optuna、Hyperopt、Ray等幾個機器學習庫和框架的Python包裝。

雖然PyCaret不是一個專門的時間序列預測庫，但它有一個專門用于時間序列預測的新模塊。它仍然處于預發(fā)布狀態(tài)，但是安裝時需要使用以下代碼進行安裝才能使用新的模塊

pip install --pre pycaret

PyCaret時間序列模塊與現(xiàn)有的API一致，并且可以使用完整的功能，例如：統(tǒng)計測試、模型訓練和選擇(30+算法模型)、模型分析、自動超參數(shù)調(diào)優(yōu)、實驗日志、云部署等。所有這些都只用了幾行代碼就完成了。

總結(jié)

Python中有許多可用的時間序列預測庫(比我們在這里介紹的更多)。每個庫都有自己的優(yōu)缺點，因此根據(jù)自己的需要選擇合適的是很重要的。如果你有什么更好的推薦，請留言告訴我們。