轉自微信公眾號：機器學習社區，經作者授權轉載
時間序列分析是數據科學中一個非常重要的領域，它主要包含統計分析、檢測變化點、異常檢測和預測未來趨勢。然而，這些時間序列技術通常由不同的庫實現。有沒有一種方法可以讓你在一個庫中獲得所有這些技術？
答案是肯定的，本文中我將分享一個非常棒的工具包 Kats，它可以完美解決上述問題。
什么是 Kats？
目前時間序列分析以及建模的技術非常多，但相對散亂，本次 FaceBook 開源了 Kats，它是一款輕量級的、易于使用的、通用的時間序列分析框架，包括：預測、異常檢測、多元分析和特征提取嵌入。你可以將 Kats 視為 Python 中時間序列分析的一站式工具包。
安裝 Kats
pip install --upgrade pip pip install kats
為了了解 Kats 的功能，我們將使用這個框架來分析 Kaggle 上的 StackOverflow問題計數問題。數據鏈接為：https://www.kaggle.com/aishu200023/stackindex
首先我們從讀取數據開始。
import pandas as pd
df = pd.read_csv("MLTollsStackOverflow.csv")
# Turn the month column into datetime
df["month"] = pd.to_datetime(df["month"], format="%y-%b")
df = df.set_index("month")
現在讓我們分析一下與 Python 相關的 StackOverflow 問題計數。數據被分成一列和一個測試集來評估預測。
python = df["python"].to_frame() # Split data into train and test set train_len = 102 train = python.iloc[:train_len] test = python.iloc[train_len:]
將數據轉換為時間序列
首先構造一個時間序列對象。我們使用time_col_name="month"指定時間列。
from kats.consts import TimeSeriesData # Construct TimeSeriesData object ts = TimeSeriesData(train.reset_index(), time_col_name="month")
要繪制數據，調用plot方法：
ts.plot(cols=["python"])
酷！看起來關于 Python 的問題的數量隨著時間的推移而增加。我們能預測未來30天的趨勢嗎？是的，我們可以和 Kats 一起做。
預測
Kats目前支持以下10種預測模型：
Linear
Quadratic
ARIMA
SARIMA
Holt-Winters
Prophet
AR-Net
LSTM
Theta
VAR
上述模型較多，讓我們試一下其中兩種類型吧！
從使用 Prophet 進行預測開始：
from kats.models.prophet import ProphetModel, ProphetParams # Specify parameters params = ProphetParams(seasonality_mode="multiplicative") # Create a model instance m = ProphetModel(ts, params) # Fit mode m.fit() # Forecast fcst = m.predict(steps=30, freq="MS") fcst
可視化
m.plot()
酷！讓我們通過與測試數據的比較來評估預測。
import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(12, 7)) train.plot(ax=ax, label="train", color="black") test.plot(ax=ax, color="black") fcst.plot(x="time", y="fcst", ax=ax, color="blue") ax.fill_between(test.index, fcst["fcst_lower"], fcst["fcst_upper"], alpha=0.5) ax.get_legend().remove()
預報似乎很好地符合觀察結果！
Holt-Winters
我們將嘗試的下一個模式是Holt-Winters。它是一種捕捉季節性的方法。下面是如何在 Kats 中使用 Holt-Winters 方法。
from kats.models.holtwinters import HoltWintersParams, HoltWintersModel
import warnings
warnings.simplefilter(action="ignore")
params = HoltWintersParams(
trend="add",
seasonal="mul",
seasonal_periods=12,
)
m = HoltWintersModel(
data=ts,
params=params)
m.fit()
fcst = m.predict(steps=30, alpha = 0.1)
m.plot()
檢測變化點
你有沒有想過在你的時間序列中發生統計上顯著的均值變化的時間？
Kats 允許使用 CUSUM 算法檢測變化點。Cusum 是一種檢測時間序列中均值上下移動的方法。
讓我們看看如何檢測 Kats 中的變化點。
from kats.consts import TimeSeriesData, TimeSeriesIterator
from kats.detectors.cusum_detection import CUSUMDetector
import matplotlib.pyplot as plt
detector = CUSUMDetector(ts)
change_points = detector.detector(change_directions=["increase", "decrease"])
print("The change point is on", change_points[0][0].start_time)
# plot the results
plt.xticks(rotation=45)
detector.plot(change_points)
plt.show()
酷！讓我們嘗試檢測 StackOverflow 問題計數的其他類別的變化點。
首先創建一個函數來檢測主題提供的更改點。
def get_ts(topic: str):
return TimeSeriesData(df[topic].to_frame().reset_index(), time_col_name="month")
def detect_change_point(topic: str):
ts = get_ts(topic)
detector = CUSUMDetector(ts)
change_points = detector.detector()
for change_point in change_points:
print("The change point is on", change_point[0].start_time)
# plot the results
plt.xticks(rotation=45)
detector.plot(change_points)
plt.show()
機器學習
detect_change_point("machine-learning")
深度學習
detect_change_point("deep-learning")
孤立點檢測
你在看NLP的時間序列時看到了什么？
df["nlp"].plot()
從2018年到2019年，NLP的問題數量有所下降。
問題數量的下降是一個異常值。檢測異常值很重要，因為它們可能會在下游處理中造成問題。
然而，通過查看數據來發現異常值并不總是高效和容易的。幸運的是，Kats還允許您檢測時間序列中的異常值！
用kat檢測異常值只需要幾行行代碼。
from kats.detectors.outlier import OutlierDetector
# Get time series object
ts = get_ts("nlp")
# Detect outliers
ts_outlierDetection = OutlierDetector(ts, "additive")
ts_outlierDetection.detector()
# Print outliers
outlier_range1 = ts_outlierDetection.outliers[0]
print(f"The outliers range from {outlier_range1[0]} to {outlier_range1[1]}")
The outliers range from 2018-01-01 00:00:00 to 2019-03-01 00:00:00
酷！結果證實了我們從上圖中看到的情況。
時間序列特征
除了統計數據外，時間序列中還有其他一些特性，如線性、趨勢強度、季節性強度、季節性參數等，您可能會感興趣。
Kats 允許通過 TsFeatures 查找有關時間序列特征的重要信息：
from kats.tsfeatures.tsfeatures import TsFeatures model = TsFeatures() output_features = model.transform(ts) output_features
小結
我們剛剛學習了如何使用 Kats 來預測、檢測變化點、檢測異常值和提取時間序列特征。我希望這篇文章能幫助到大家解決工作中的時間序列問題，并從數據中提取有價值的信息。
以上就是Facebook開源一站式服務python時序利器Kats詳解的詳細內容，更多關于Facebook開源時序利器Kats的資料請關注服務器之家其它相關文章！
原文鏈接：https://blog.csdn.net/weixin_38037405/article/details/120122477
