时间序列分析中最值得推荐的10个 Python 库

Posted 2022-11-23 Love Python数据挖掘

时间序列是数据点的序列，通常由在一段时间间隔内进行的连续测量组成。时间序列分析是使用统计技术对时间序列数据进行建模和分析，以便从中提取有意义的信息并做出预测的过程。

时间序列分析是一个强大的工具，可以用来从数据中提取有价值的信息，并对未来的事件做出预测。它可以用来识别趋势、季节模式和变量之间的其他关系。时间序列分析还可以用来预测未来的事件，如销售、需求或价格变动。

如果你正在使用Python处理时间序列数据，那么有许多不同的库可以选择。所以在本文中，我们将整理Python中最流行处理时间序列的库。

文章目录

• • 解惑答疑
  • Sktime
  • pmdarima
  • AutoTS
  • TSFresh
  • Prophet
  • Statsforecast
  • kats
  • Darts
  • Pyflux
  • PyCaret
  • 总结

解惑答疑

本文一些方法来自技术群粉丝推荐分享，想加入技术交流，按照如下方式

目前群友已超过3000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、添加微信号：dkl88191，备注：来自CSDN+技术交流
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群+CSDN

Sktime

Sktime是一个用于处理时间序列数据的Python库。它提供了一组处理时间序列数据的工具，包括用于处理、可视化和分析数据的工具。Sktime的设计是易于使用和可扩展的，这样新的时间序列算法就可以很容易地实现并且进行集成。

Sktime正如其名，它支持scikit-learn API，包含了有效解决涉及时间序列回归、预测和分类问题的所有必要方法和工具。该库包含专门的机器学习算法以及时间序列的独特的转换方法，在其他库中并没有提供，所以Sktime可以作为一个非常好的基础库。

根据sktime的文档，“我们的目标是使时间序列分析生态系统作为一个整体更具互操作性和可用性。Sktime为不同但相关的时间序列学习任务提供了统一的接口。它的特点是专门的时间序列算法和工具，用于组合模型的构建，包括流水线管道、集成、调优和简化，使用户可以将一个任务的算法应用到另一个任务。

sktime还提供与相关库的接口，例如scikit-learn、statsmodels、tsfresh、PyOD和[fbprophet]等等。”

下面是一个代码样例

 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是一个用于时间序列数据统计分析的Python库。它基于ARIMA模型并且提供了各种分析、预测和可视化时间序列数据的工具。Pmdarima还提供了处理季节性数据的各种工具，包括季节性测试和季节性分解工具。

在时间序列分析中经常使用的预测模型之一是ARIMA(自回归综合移动平均)。ARIMA是一种预测算法，可以根据时间序列的过去值中的信息来预测未来的值。

pmdarima是ARIMA模型的包装器，它自带一个自动超参数搜索函数，可以自动为ARIMA模型找到最佳超参数(p,d,q)。该库包括下面一些主要的功能点:

• 一组关于平稳性和季节性的统计测试

• 时间序列效用，如差分和逆差分

• 众多的内生和外生转换器和特征化器，包括Box-Cox和傅立叶变换

• 季节时间序列分解

• 交叉验证工具

• 内置一个丰富的可用于原型和示例的时间序列数据集集合

AutoTS

顾名思义，它是一个用于自动时间序列分析的 Python 库。AutoTS 允许我们用一行代码训练多个时间序列模型，以便我们可以选择最适合的模型。

该库是 autoML 的一部分，其目标是为初学者提供自动化库。

TSFresh

tsfresh是一个可以自动从时间序列中提取特征的Python包。它基于时间序列中的信息可以分解为一组有意义的特征来实现的。tsfresh 负责手动提取这些特征的繁琐任务，并提供自动特征选择和分类的工具。它可以与 pandas DataFrames 一起使用，并提供广泛的用于处理时间序列数据的函数，包括：

• 从时间序列中自动提取特征

• 自动特征选择

• 时间序列分解

• 降维

• 异常值检测

• 支持多种时间序列格式

• 支持缺失值

• 支持多种语言

Prophet

Prophet是由Facebook核心数据科学团队发布的开源软件。它基于一个相加模型，其中非线性趋势适合每年、每周和每日的季节性，加上假日效应。它最适合具有强烈季节性效应的时间序列和几个季节的历史数据。Prophet对于缺失的数据和趋势的变化具有很强的鲁棒性，通常能够很好地处理异常值。

根据官方文档，fbprophet在处理具有显著季节性影响的时间序列数据和几个季节价值的之前数据时工作得非常好。此外fbprophet能够抵抗缺失数据，并能够有效地管理异常值。

Statsforecast

Statsforecast提供了一组广泛使用的单变量时间序列预测模型，包括自动ARIMA和ETS建模并使用numba优化。它还包括大量的基准测试模型。根据官网的介绍:

• Python和R中最快最准确的AutoARIMA。

• Python和R中最快最准确的ETS。

• 兼容sklearn接口。

• ARIMA的外生变量和预测区间的包含。

• 比pmdarima快20倍，比Prophet快500倍，比NeuralProphet快100倍，比statmodels快4倍。

• 通过numba编译为高性能机器代码。

• 开箱即用的实现ADIDA, HistoricAverage, CrostonClassic, CrostonSBA, CrostonOptimized, seasonalwindowaaverage, SeasonalNaive, IMAPA Naive, RandomWalkWithDrift, windowaaverage, SeasonalExponentialSmoothing, TSB, AutoARIMA和ETS。

kats

Kats 是 Facebook 研究团队最近开发的另一个专门处理时间序列数据的库。该框架的目标是为解决时间序列问题提供一个完整的解决方案。使用此库，我们可以执行以下操作：

• 时间序列分析

• 模式检测，包括季节性、异常值、趋势变化

• 产生65个特征的特征工程模块

• 对时间序列数据建立预测模型，包括Prophet、ARIMA、Holt Winters等。

Darts

Darts 是由 Unit8.co 开发的用于预测时间序列，并且对scikit-learn 友好 的Python 包。它包含大量模型，从 ARIMA 到深度神经网络，用于处理与日期和时间相关的数据。

该库的好处在于它还支持用于处理神经网络的多维类。

它还允许用户结合来自多个模型和外部回归模型的预测，从而更容易地对模型进行回测。

Pyflux

Pyflux 是一个为 Python 构建的开源时间序列库。Pyflux选择了更多的概率方法来解决时间序列问题。这种方法对于需要更完整的不确定性的预测这样的任务特别有利。

用户可以建立一个概率模型，其中通过联合概率将数据和潜在变量视为随机变量。

PyCaret

PyCaret是一个基于Python的开源、低代码的机器学习库，它是一个端到端机器学习和模型管理工具，可以成倍地加快实验周期，让工作效率更高。

与其他开源机器学习库相比，PyCaret是一个可替代的低代码库，可以只用几行代码替换数百行代码。这使得实验的速度和效率呈指数级增长。PyCaret本质上是scikit-learn、XGBoost、LightGBM、CatBoost、spacacy、Optuna、Hyperopt、Ray等几个机器学习库和框架的Python包装。

虽然PyCaret不是一个专门的时间序列预测库，但它有一个专门用于时间序列预测的新模块。它仍然处于预发布状态，但是安装时需要使用以下代码进行安装才能使用新的模块

 pip install --pre pycaret

PyCaret时间序列模块与现有的API一致，并且可以使用完整的功能，例如：统计测试、模型训练和选择(30+算法模型)、模型分析、自动超参数调优、实验日志、云部署等。所有这些都只用了几行代码就完成了。

总结

Python中有许多可用的时间序列预测库(比我们在这里介绍的更多)。每个库都有自己的优缺点，因此根据自己的需要选择合适的是很重要的。如果你有什么更好的推荐，请留言告诉我们。