Facebook開源一站式服務python時序利器Kats詳解
轉(zhuǎn)自微信公眾號：機器學習社區(qū)，經(jīng)作者授權(quán)轉(zhuǎn)載
時間序列分析是數(shù)據(jù)科學中一個非常重要的領(lǐng)域，它主要包含統(tǒng)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(shù)通常由不同的庫實現(xiàn)。有沒有一種方法可以讓你在一個庫中獲得所有這些技術(shù)？
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(shù)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(shù)問題。數(shù)據(jù)鏈接為：https://www.kaggle.com/aishu200023/stackindex
首先我們從讀取數(shù)據(jù)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(xiàn)在讓我們分析一下與 Python 相關(guān)的 StackOverflow 問題計數(shù)。數(shù)據(jù)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(shù)據(jù)轉(zhuǎn)換為時間序列
首先構(gòu)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(shù)據(jù)，調(diào)用plot方法：
ts.plot(cols=["python"])
酷！看起來關(guān)于 Python 的問題的數(shù)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(shù)據(jù)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(jié)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(jié)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(fā)生統(tǒng)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(shù)的其他類別的變化點。
首先創(chuàng)建一個函數(shù)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(shù)量有所下降。
問題數(shù)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(shù)據(jù)來發(fā)現(xiàn)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(jié)果證實了我們從上圖中看到的情況。
時間序列特征
除了統(tǒng)計數(shù)據(jù)外，時間序列中還有其他一些特性，如線性、趨勢強度、季節(jié)性強度、季節(jié)性參數(shù)等，您可能會感興趣。
Kats 允許通過 TsFeatures 查找有關(guān)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(jié)
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(shù)據(jù)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(nèi)容，更多關(guān)于Facebook開源時序利器Kats的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要為大家介紹了Pytest初學者快速上手的高效Python測試指南，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2024-01-01
Empty test suite.(PyCharm程序運行錯誤的解決方法)
今天小編就為大家分享一篇Empty test suite.(PyCharm程序運行錯誤的解決方法)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11
本文主要介紹了Python實現(xiàn)消消樂小游戲，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-12-12
Python使用psutil庫對系統(tǒng)數(shù)據(jù)進行采集監(jiān)控的方法
利用psutil庫可以獲取系統(tǒng)的一些信息，如cpu，內(nèi)存等使用率，從而可以查看當前系統(tǒng)的使用情況，實時采集這些信息可以達到實時監(jiān)控系統(tǒng)的目的。本文給大家介紹Python psutil系統(tǒng)監(jiān)控的相關(guān)知識，感興趣的朋友一起看看吧2021-08-08
這篇文章主要為大家詳細介紹了Python代碼實現(xiàn)雙鏈表，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-05-05
python利用paramiko連接遠程服務器執(zhí)行命令的方法
下面小編就為大家?guī)硪黄猵ython利用paramiko連接遠程服務器執(zhí)行命令的方法。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-10-10
這章我們來介紹Python的擴展名之ctypes，教大家認識ctypes，有需要的朋友可以借鑒參考下，希望可以有所幫助，祝大家多多進步，早日升職加薪2021-09-09
這篇文章主要介紹了python列表推導式，文章內(nèi)容附有經(jīng)典的詳細代碼，感興趣的小伙按可以參考下面文章具體內(nèi)容2021-10-10
在本篇文章里小編給大家整理的是一篇關(guān)于python的launcher用法知識點總結(jié)內(nèi)容，有興趣的朋友們可以學習下。2020-08-08
本文主要介紹了Python endswith()函數(shù)的具體使用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07