用于时间序列预测的 Python 环境

Python生态系统正在不断发展，并可能成为应用机器学习的主导平台。

采用Python进行时间序列预测的主要理由是，它是一种通用编程语言，您可以将其用于研发和生产。

在本文中，您将了解用于时间序列预测的Python生态系统。

阅读本文后，你将了解：

• 对时间序列预测至关重要的三个标准Python库。
• 如何安装和设置用于开发的Python和SciPy环境。
• 如何确认您的环境运行正常并已准备好进行时间序列预测。

开始您的项目，阅读我的新书《Python时间序列预测导论》，其中包含分步教程和所有示例的Python源代码文件。

让我们开始吧。

用于时间序列预测的 Python 环境
照片由Joao Trindade拍摄，保留部分权利。

为什么选择Python？

Python是一种通用解释型编程语言（与R或Matlab不同）。

它易于学习和使用，主要因为它注重代码的可读性。

它是一门普遍流行的语言，在StackOverflow的调查中（例如，2015年的调查结果）始终位列前十大编程语言。

Python是一门动态语言，非常适合交互式开发和快速原型设计，同时又具备支持大型应用程序开发的强大功能。

由于其出色的库支持，Python也被广泛用于机器学习和数据科学。它已迅速成为机器学习和数据科学从业者的主导平台之一，并且比R平台更受雇主青睐（请参见下图）。

Python机器学习工作岗位与R机器学习工作岗位对比

这是一个简单且非常重要的考虑因素。

这意味着您可以在用于操作的同一种编程语言中进行研究和开发（确定使用哪些模型），极大地简化了从开发到运营的过渡。

用于时间序列的Python库

SciPy是用于数学、科学和工程的Python库生态系统。它是Python的附加组件，您在时间序列预测中需要它。

两个SciPy库为大多数其他库奠定了基础；它们分别是提供高效数组操作的NumPy和用于绘制数据的Matplotlib。有三个更高级的SciPy库为Python中的时间序列预测提供了关键功能。

它们分别是pandas、statsmodels和scikit-learn，分别用于数据处理、时间序列建模和机器学习。

让我们依次仔细看看每一个。

库：pandas

pandas库提供了高性能的工具，用于在Python中加载和处理数据。

它构建于SciPy生态系统之上并需要它，底层主要使用NumPy数组，但提供了方便易用的数据结构，如用于表示数据的DataFrame和Series。

Pandas提供了对时间序列数据的专门支持。

pandas中与时间序列预测相关的关键功能包括：

• 用于表示单变量时间序列的Series对象。
• 对数据中的日期时间索引和日期时间范围进行显式处理。
• 转换，如移位、滞后和填充。
• 重采样方法，如上采样、下采样和聚合。

库：statsmodels

statsmodels库提供了统计建模工具。

它构建于SciPy生态系统之上并需要它，支持NumPy数组和PandasSeries对象形式的数据。

它提供了一套统计测试和建模方法，以及专门用于时间序列分析的工具，这些工具也可以用于预测。

statsmodels在时间序列预测方面的关键功能包括：

• 平稳性统计检验，如增广迪基-富勒单位根检验。
• 时间序列分析图，如自相关函数（ACF）和偏自相关函数（PACF）。
• 线性时间序列模型，如自回归（AR）、移动平均（MA）、自回归移动平均（ARMA）和自回归积分移动平均（ARIMA）。

库：scikit-learn

scikit-learn库是您在Python中开发和实践机器学习的方式。

它构建于SciPy生态系统之上并需要它。名称“sckit”表明它是SciPy的插件或工具包。您可以查看所有可用SciKits的完整列表。

该库的重点是用于分类、回归、聚类等的机器学习算法。它还提供了用于相关任务的工具，如模型评估、参数调优和数据预处理。

scikit-learn在时间序列预测方面的相关关键功能包括：

• 数据准备工具套件，如数据缩放和填充。
• 可用于建模数据和进行预测的机器学习算法套件。
• 用于评估模型在未见过数据上性能的重采样方法，特别是TimeSeriesSplit。

Python生态系统安装

本节将为您提供关于设置Python环境进行时间序列预测的通用建议。

我们将涵盖：

1. 使用Anaconda自动安装。
2. 使用您的平台包管理器手动安装。
3. 确认已安装的环境。

如果您已经有一个可用的Python环境，请跳至确认步骤，检查您的软件库是否为最新。

让我们开始吧。

1. 自动安装

如果您不确定如何在机器上安装软件，或者您使用的是Microsoft Windows，有一个简单的选择。

有一个名为Anaconda Python的发行版，您可以免费下载和安装。

它支持Microsoft Windows、Mac OS X和Linux这三个主要平台。

它包含了Python、SciPy和scikit-learn：您学习、练习和使用Python环境中的时间序列预测所需的一切。

您可以从这里开始使用Anaconda Python：

• Anaconda安装

2. 手动安装

有多种方法可以为您的平台安装Python生态系统。

在本节中，我们将介绍如何为时间序列预测安装Python生态系统。

如何安装Python

第一步是安装Python。我建议并推荐使用Python 2.7或Python 3.5。

Python的安装将取决于您的平台。有关说明，请参阅

• 下载Python，位于Python初学者指南中。

在Mac OS X上使用macports，我会输入：

如何安装SciPy

安装SciPy的方法有很多。

例如，两种流行的方法是使用您平台的包管理器（例如，RedHat上的dnf或OS X上的macports）或使用Python包管理器，如pip。

SciPy的文档非常出色，并在安装SciPy堆栈页面上提供了许多不同平台的安装说明。

安装SciPy时，请确保至少安装以下软件包：

• scipy
• numpy
• matplotlib
• pandas
• statsmodels

在Mac OS X上使用macports，我会输入：

在Fedora Linux上使用dnf，我会输入：

如何安装scikit-learn

scikit-learn库必须单独安装。

我建议您使用与安装SciPy相同的方法来安装scikit-learn。

安装scikit-learn的说明可在，但仅限于使用Pythonpip包管理器。

在Linux和Mac OS X上，我通过输入以下命令安装了scikit-learn：

3. 确认您的环境

设置好环境后，您必须确认它是否按预期工作。

首先，让我们检查Python是否已成功安装。打开命令行并输入：

您应该会看到类似以下的响应：

或者

现在，确认库是否已成功安装。

创建一个名为versions.py的新文件，并将以下代码片段复制并粘贴到其中，然后将文件另存为versions.py。

在命令行或您喜欢的Python编辑器中运行该文件。例如，键入：

这将打印出您所需各关键库的版本。

例如，在我写这篇文章的时候，我的系统得到了以下结果：

如果您遇到错误，请立即停止并修复。您可能需要查阅您平台的特定文档。

总结

在本文中，您了解了用于时间序列预测的Python生态系统。

您了解了：

• pandas、statsmodels和scikit-learn库是Python时间序列预测的最佳库。
• 如何自动和手动设置用于开发的Python SciPy环境。
• 如何确认您的环境已正确安装，并且您已准备好开始开发模型。

您还学会了如何在您的工作站上安装机器学习的Python生态系统。

您对Python在时间序列预测方面的应用，或对本文有任何疑问吗？请在评论区提问，我将尽力回答。

想用Python开发时间序列预测吗？

几分钟内开发您自己的预测

...只需几行python代码

在我的新电子书中探索如何实现
Python 时间序列预测入门

它涵盖了**自学教程**和**端到端项目**，主题包括：*数据加载、可视化、建模、算法调优*等等。

最终将时间序列预测带入
您自己的项目

跳过学术理论。只看结果。

查看内容