Advertisement

PMDARIMA:一个致力于补充Python时间序列分析工具、包含AUTO.ARIMA功能的统计库

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
PMDARIMA是一款专注于增强Python的时间序列分析能力的统计库,特别引入了AUTO.ARIMA算法,为模型选择和参数优化提供了强大的支持。 Pmdarima(最初为pyramid-arima ,表示“ py” +“ arima”)是一个统计库,旨在填补Python时间序列分析功能中的空白。这包括: 相当于R的功能平稳性和季节性统计检验的集合; 时间序列实用程序,例如微分和逆微分; 大量内生和外生的变形器和特征器,包括Box-Cox和Fourier转换; 季节性时间序列分解; 交叉验证实用程序; 丰富的内置时间序列数据集,用于原型制作和示例。 Scikit学习式管道可整合您的估算器并促进生产。 Pmdarima在内部隐藏了 ,但设计时使用了熟悉scikit学习背景的用户熟悉的界面。可以通过pip下载pypi上的软件包: ``` $ pip install pmdarima ``` 快速入门示例如下:在数据集上拟合一个简单的自动ARIMA: ```python import pmdarima as pm from pmdarima.model_selection import train_test_split ```

全部评论 (0)

还没有任何评论哟~
客服
客服
  • PMDARIMAPythonAUTO.ARIMA
    优质
    PMDARIMA是一款专注于增强Python的时间序列分析能力的统计库,特别引入了AUTO.ARIMA算法,为模型选择和参数优化提供了强大的支持。 Pmdarima(最初为pyramid-arima ,表示“ py” +“ arima”)是一个统计库,旨在填补Python时间序列分析功能中的空白。这包括: 相当于R的功能平稳性和季节性统计检验的集合; 时间序列实用程序,例如微分和逆微分; 大量内生和外生的变形器和特征器,包括Box-Cox和Fourier转换; 季节性时间序列分解; 交叉验证实用程序; 丰富的内置时间序列数据集,用于原型制作和示例。 Scikit学习式管道可整合您的估算器并促进生产。 Pmdarima在内部隐藏了 ,但设计时使用了熟悉scikit学习背景的用户熟悉的界面。可以通过pip下载pypi上的软件包: ``` $ pip install pmdarima ``` 快速入门示例如下:在数据集上拟合一个简单的自动ARIMA: ```python import pmdarima as pm from pmdarima.model_selection import train_test_split ```
  • Python段(
    优质
    本教程为《Python时间序列分析》系列之一,专注于介绍如何使用Python进行时间段操作,包括日期处理、时间间隔计算等基础知识。 时间序列中的时间戳(timestamp)可以设定固定周期(period)与时间间隔(interval)。使用pandas和numpy库进行操作: ```python import pandas as pd import numpy as np # 生成日期范围,可以通过指定开始时间和周期来创建一系列的时间点。H代表小时、D代表天、M代表月、Y代表年。 date_range = pd.date_range(2020-04-27, periods=10, freq=3D) # 这样可以生成一个以时间为索引的时间序列 import datetime as dt time = pd.Series(np.random.randn(10), index=date_range) ```
  • Darts:Python操作与预测-python开发
    优质
    Darts是一款专为Python设计的时间序列分析和预测库,它提供了丰富的功能来处理时间序列数据,包括数据预处理、模型训练以及预测评估等。 Darts 是一个 Python 库,能够轻松地操作和预测时间序列数据。它包含多种模型,从经典的 ARIMA 模型到神经网络都有涵盖。所有这些模型都可以通过统一的 fit() 和 predict() 函数进行使用,这与 scikit-learn 的用法类似。此外,Darts 还简化了对模型进行回测的过程,并支持将多个模型的预测结果结合以及加入外部回归变量。 安装 Darts 前建议您首先为 Python 创建一个干净的工作环境。
  • PyTS:适用Python
    优质
    PyTS是一个专为时间序列分类设计的Python工具包,提供了一系列算法和数据集,旨在简化时间序列分析任务,助力研究人员与开发者高效处理时间序列数据。 Pyts是一个用于时间序列分类的Python软件包。它的目标是通过提供预处理工具、实用程序以及最新算法实现来简化时间序列分类的过程。这些算法通常涉及将原始的时间序列转换为另一种形式,因此pyts提供了多种方法来进行这种转换。 安装依赖关系: - Python(>=3.6) - NumPy(>=1.17.5) - SciPy(>=1.3.0) - Scikit-Learn(>=0.22.1) - Joblib(> = 0.12) - Numba(>=0.48.0) 为了运行示例,还需要安装Matplotlib (>=2.0.0)。 用户可以通过以下方式轻松安装pyts: 使用pip命令:`pip install pyts` 或者通过conda从conda-forge通道进行安装:`conda install -c conda-forge pyts` 此外,您还可以通过克隆存储库来获取最新版本的Pyts。
  • Tigramite: 因果Python模块
    优质
    Tigramite是一款专为时间序列数据设计的Python工具包,适用于进行复杂系统的因果关系和依赖性分析。 TIGRAMITE – 时间序列数据集的因果发现版本4.2(Python软件包)一般注意事项 Tigramite是一个用于因果时间序列分析的Python软件包。它能够从高维的时间序列数据集中高效地重构因果图,并对获得的相关性进行建模,以便于因果中介和预测分析。该工具使用适用于离散或连续值时间序列的线性以及非参数条件独立性测试来进行因果发现。 此外,Tigramite还包含用于生成高质量结果图表的功能。请根据您使用的具体方法引用以下论文: PCMCI:J. Runge, P. Nowack, M. Kretschmer, S. Flaxman, D. Sejdinovic,在大型非线性时间序列数据集中检测和量化因果关联,科学进阶5,eaau4996(2019)。 PCMCI+:J. Runge (2020) 在自相关的非线性时间序列数据集中发现同期和滞后的因果关系。不确定性人工智能第36届学术会议论文集, UAI 2020年,加拿大多伦多。
  • EntropyHub:用开源
    优质
    EntropyHub是一款专门针对熵时间序列进行高效分析与处理的开源软件工具包。它为科研人员提供了一系列强大的功能来研究复杂系统的动态特性。 EntropyHub是一个用于进行熵时间序列分析的开源工具包。它提供了一系列功能齐全的方法来计算基于时间序列数据的信息理论上的熵测量值,并且可以兼容MatLab、Python及Julia三种编程语言,同时在这些语言中保持一致简单的语法结构。 用户可以根据自己的需求通过命令行指定关键字参数来自定义各种熵方法的应用范围,从基础的样本熵到复杂的复合多尺度校正交叉条件熵都可轻松实现。目前EntropyHub包括了18个基本/核心熵函数、8种交叉熵函数以及3种二维熵功能,并且所有这些都可以利用时延嵌入进行状态空间重构。 此外,用户还可以使用每个基础和交叉熵方法的多种多尺度变体版本,如复合、精细及分层等不同类型的多尺度策略。EntropyHub的主要目标是简化复杂的测量过程并提高其可操作性。随着更多关于近似熵计算的方法被科学文献引入,这一工具包也在不断更新和完善中。
  • Python-pyts:用转换与
    优质
    Pyts是专为时间序列数据设计的Python库,提供丰富的转换和分类方法,助力研究人员和开发者高效处理时间序列任务。 pyts是一个用于时间序列转换和分类的Python包。
  • 适用规则/无监督异常检测Python- Python开发
    优质
    这是一款专为时间序列数据设计的Python工具包,提供先进的规则和无监督算法以进行高效、准确的异常检测。适合数据分析与机器学习从业者使用。 异常检测工具包(ADTK)是一个用于无监督或基于规则的时间序列异常检测的Python软件包。由于不同情况下的异常性质各异,单一模型可能无法适用于所有类型的异常检测问题。因此,正确选择和组合不同的检测算法、特征工程方法以及集成策略是构建有效异常检测系统的关键所在。此工具包旨在帮助用户根据具体需求灵活地设计并优化其异常检测流程。
  • PythonpyFTS:模糊开源
    优质
    pyFTS是一款专为Python设计的开源库,专注于处理和预测模糊时间序列数据。它提供了一系列工具和算法来简化复杂的时序数据分析工作。 An open source library for Fuzzy Time Series in Python.
  • MATLAB
    优质
    MATLAB时间序列工具包提供了一系列强大的函数和应用程序,用于处理、分析和建模时间序列数据。 Matlab时间序列工具箱提供了一系列用于分析和建模时间序列数据的功能。这些功能可以帮助用户进行数据预处理、模型拟合、预测以及频域分析等操作。通过使用该工具箱,研究人员和工程师可以更有效地探索时间序列中的模式,并基于此做出准确的决策或预测。