时间序列预测的7种Python工具包，总有一款适合你，2024年最新2024最新Python面试笔试

Reading the data

df = pd.read_csv(‘…/input/apple-aapl-historical-stock-data/HistoricalQuotes.csv’)

Doing some preprocessing

def remove_dollar(x):

return x[2:]

df[’ Close/Last’] = df[’ Close/Last’].apply(remove_dollar)

df[’ Close/Last’] = df[’ Close/Last’].astype(float)

df[‘Date’] = pd.to_datetime(df[‘Date’])

Plot to see the data:

df = df[[“Date”, " Close/Last"]]

df[“Date”] = pd.to_datetime(df.Date)

temp_df = df.set_index(‘Date’)

temp_df[" Close/Last"].plot(figsize=(12, 8), title=“Apple Stock Prices”, fontsize=20, label=“Close Price”)

plt.legend()

plt.grid()

plt.show()

model = AutoTS(forecast_length=40, frequency=‘infer’, ensemble=‘simple’, drop_data_older_than_periods=100)

model = model.fit(df, date_col=‘Date’, value_col=’ Close/Last’, id_col=None)

这将运行数百个模型。你将在输出窗格中看到运行的各种模型。让我们看看模型如何预测：

prediction = model.predict()

forecast = prediction.forecast

print(“Stock Price Prediction of Apple”)

print(forecast)

temp_df[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Train’)

forecast[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Test’)

plt.legend()

plt.grid()

plt.show()

更多详细信息可以查看 Github: https://github.com/winedarksea/AutoTS

官网文档: https://winedarksea.github.io/AutoTS/build/html/source/tutorial.html

3、Prophet

Prophet是Facebook研究团队开发的知名时间序列软件包，于2017年首次发布，适用于具有强烈季节性影响的数据和多个季节的历史数据。它具有高度的用户友好性和可定制性，只需进行最少的设置。

让我们看一个简单的例子：

Loading the library

import pandas as pd

import matplotlib.pyplot as plt

from fbprophet import Prophet

Loading the data from the repo:

df = pd.read_csv(“https://raw.githubusercontent.com/facebook/prophet/master/examples/example_wp_log_peyton_manning.csv”)

Fitting the model

model = Prophet()

model.fit(df) #fit the model.

Predict

future = model.make_future_dataframe(periods=730) # predicting for ~ 2 years

forecast = model.predict(future) # Predict future

Plot results

fig1 = model.plot(forecast) # Plot the fit to past data and future forcast.

fig2 = model.plot_components(forecast) # Plot breakdown of components.

plt.show()

forecast # Displaying various results in table format.

趋势图和季节性图如下所示：

我们还可以看到预测以及所有的置信区间

更多详细信息可以查看Github: https://github.com/facebook/prophet

文档: https://facebook.github.io/prophet/

4、darts:

Darts 是另一个 Python 包，它有助于时间序列的操作和预测。语法是“sklearn-friendly”，使用fit和predict函数来实现目标。此外，它还包含了从 ARIMA 到神经网络的各种模型。

该软件包最好的部分是它不仅支持单变量，而且还支持多变量时间序列和模型。该库还可以方便地对模型进行回溯测试，并将多个模型的预测和外部回归组合起来。让我们举一个简单的例子来了解它的工作原理：

#Loading the package

from darts import TimeSeries

from darts.models import ExponentialSmoothing

import matplotlib.pyplot as plt

Reading the data

data = pd.read_csv(‘…/input/air-passengers/AirPassengers.csv’)

series = TimeSeries.from_dataframe(data, ‘Month’, ‘#Passengers’)

print(series)

Splitting the series in train and validation set

train, val = series.split_before(pd.Timestamp(‘19580101’))

Applying a simple Exponential Smoothing model

model = ExponentialSmoothing()

model.fit(train)

Getting and plotting the predictions

prediction = model.predict(len(val))series.plot(label=‘actual’)

prediction.plot(label=‘forecast’, lw=3)

plt.legend()

更多详细信息可以查看Github: https://github.com/unit8co/darts

文档: https://unit8co.github.io/darts/README.html

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

mg_convert/9f49b566129f47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
[外链图片转存中…(img-oLPjH3O2-1712810397617)]