图片作者 | Canva 创建
作为一名机器学习工程师或数据科学家，您很可能需要处理时间序列数据。时间序列分析侧重于按时间索引的数据，例如股票价格、温度等。
如果您已经熟悉机器学习基础知识，但对时间序列还不熟悉，本指南将为您提供五个可操作的入门技巧。
这些技巧将帮助您了解时间序列数据的各个方面，对其进行有效预处理，将其分解为核心组成部分，构建有意义的特征，并应用关键算法进行准确的分析和预测。让我们开始吧。
1. 了解时间序列数据的基本知识
如前所述，时间序列数据是按时间索引的数据点序列，这与其他观察值独立的数据不同。因此，在开始进行时间序列分析之前，了解时间序列数据的基本原理非常重要。
您应该首先熟悉时间序列数据的关键组成部分：
- 趋势：系列的长程进展
- 季节性：在特定周期内重复的规律模式
- 周期性模式：受经济或商业周期影响的不规则波动
- 噪声：无法归因于趋势、季节性或周期性的随机变化。
为了更好地掌握数据，请先绘制数据。可视化通常有助于识别这些组成部分，并提供对底层模式的洞察。
作为一种实践，您可以可视化时间序列数据集，例如每日温度读数或月度销售数据，以识别这些组成部分。
2. 学习预处理时间序列数据
无论您处理什么数据集，预处理都是一个重要步骤。在处理时间序列数据时，您会遇到缺失值。您还需要执行重采样和不变性检查。
处理缺失值：时间序列数据通常包含缺失值。这些可以通过前向填充、后向填充或插值等技术进行处理。
前向填充会将最后一个观测值向前传播，直到遇到新值；后向填充则相反。插值根据周围数据点估算缺失值。
以下是一个简短的示例：
|
1 |
df['value'].fillna(method='ffill', inplace=True) |
重采样：另一个重要的预处理任务是重采样，它涉及调整时间序列数据的频率。例如，您可以将每日数据转换为每周或每月数据，以平滑短期波动并突出长期趋势。
以下是将时间序列数据重采样为月度间隔并计算每个月的平均值的示例：
|
1 |
df_resampled = df.resample('M').mean() |
检查平稳性：此外，您还应检查平稳性。这一点很重要，因为许多时间序列模型都假定底层数据是平稳的——即数据随时间具有恒定的均值和方差。
您可以使用像增强迪基-富勒（ADF）检验这样的检验来检查平稳性。如果数据不平稳，您可以应用差分或对数等变换来稳定均值和方差。
3. 学习分解时间序列
一旦您熟悉了时间序列数据的基础知识并知道如何清理数据，了解如何将时间序列分解为各个组成部分将非常有帮助。
时间序列分解涉及将时间序列分解为其组成部分：趋势、季节性和残差。这有助于更好地理解底层模式并进行更准确的预测。
分解主要有两种类型：加法型和乘法型。在加法分解中，各个组成部分相加；在乘法分解中，各个组成部分相乘。
以下是如何使用statsmodels 库执行加法分解：
|
1 2 3 4 5 6 |
import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import seasonal_decompose result = seasonal_decompose(df['value'], model='additive') result.plot() plt.show() |
在此代码中，时间序列被分解为趋势、季节性和残差组成部分。
4. 探索时间序列的特征工程
特征工程对于提高模型性能至关重要。对于时间序列数据，这包括创建滞后特征、滚动统计量以及提取日期时间特征等。
滞后特征：使用时间序列的过去值作为预测的特征。它们将时间序列的过去值用作未来值的预测变量。
考虑以下示例：
|
1 2 |
df['lag_1'] = df['value'].shift(1) df['lag_2'] = df['value'].shift(2) |
这会在 DataFrame df 中创建两个新的滞后特征列。df[‘lag_1’] 列包含 df[‘value’] 列向后移动一个时间步的值，df[‘lag_2’] 列包含向后移动两个时间步的值。
滚动统计量：您还可以计算滚动统计量，例如滚动均值和滚动标准差，以捕获上下文。
让我们看这个例子：
|
1 2 |
df['rolling_mean'] = df['value'].rolling(window=3).mean() df['rolling_std'] = df['value'].rolling(window=3).std() |
df[‘rolling_mean’] 列是在 3 个时间步的窗口上 df[‘value’] 列的滚动均值（平均值），而 df[‘rolling_std’] 列则计算同一窗口的滚动标准差。
日期时间特征：从日期时间索引中提取小时、日、月、年等特征，以捕捉时间模式。
此代码提取了不同的日期时间组件：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
import pandas as pd # 创建一个示例 DataFrame date_rng = pd.date_range(start='2023-01-01', end='2023-01-10', freq='H') df = pd.DataFrame(date_rng, columns=['date']) df['value'] = range(len(date_rng)) # 仅用于示例值 df.set_index('date', inplace=True) # 提取日期时间特征 df['hour'] = df.index.hour df['day'] = df.index.day df['month'] = df.index.month df['year'] = df.index.year |
5. 了解关键时间序列算法
在探索时间序列分析时，熟悉用于时间序列建模和预测的关键算法非常重要。了解这些算法将使您能够捕获和预测各种模式，如趋势和季节性。
ARIMA（自回归积分滑动平均模型）：ARIMA 是时间序列分析中最广泛使用的方法之一。它结合了自回归和滑动平均分量以及差分来处理非平稳性。
ARIMA 模型对于具有趋势但没有强烈季节性模式的数据集特别有效。
SARIMA（季节性 ARIMA）：SARIMA 通过整合季节性元素来扩展 ARIMA。这使得 SARIMA 适用于具有周期性模式的数据集。该模型包含额外的季节性项来捕获周期性波动。
指数平滑：诸如 Holt-Winters 之类的指数平滑方法非常适合捕获时间序列数据中的趋势和季节性效应。这些方法应用加权平均——最近的观测值赋予更高的权重。特别是 Holt-Winters 可以对具有加法和乘法季节性的数据进行建模。
此外，您还可以学习使用Prophet，这是一个用户友好的预测工具，旨在简化时间序列预测。如果您熟悉深度学习，可以使用 LSTM（长短期记忆）网络来学习时间序列数据中的长期依赖关系。与传统方法不同，LSTM 能够从数据序列中学习，并可以模拟复杂的模式。
通过了解这些关键算法，您可以为您的特定时间序列分析任务选择最合适的方法。
总结
希望本指南对您开始进行时间序列分析有所帮助。
正如我们在文章中所讨论的，时间序列分析需要理解时间序列的基础知识，并学习一些算法加入您的工具箱。此外，您应该专注于数据预处理和特征工程，以构建有用且有效的模型。
如果您想了解更多关于时间序列的信息，请查看Python 时间序列预测 7 天迷你课程。学习愉快！
暂无评论。