分析和预测时序数据的主要方法,如何使用Python处理时序数据.doc

分析和预测时序数据的主要方法,如何使用Python处理时序数据Zeptolab数据科学家Dmitriy Sergeev介绍了分析和预测时序数据的主要方法。大家好！这次的开放机器学习课程的内容是时序数据。我们将查看如何使用Python处理时序数据，哪些方法和模型可以用来预测；什么是双指数平滑和三指数平滑；如果平稳（stationarity）不是你的菜，该怎么办；如何创建SARIMA并且活下来；如何使用XGBoost做出预测。所有这些都将应用于（严酷的）真实世界例子。导言在我的工作中，我几乎每天都会碰到和时序有关的任务。最频繁的问题是明天/下一周/下个月/等等，我们的指标将是什么样有多少玩家会安装应用，他们的在线时长会是多少，他们会进行多少次操作，取决于预测所需的质量，预测周期的长度，以及时刻，我们需要选择特征，调整参数，以取得所需结果。基本定义时序的简单定义：时序一系列以时间顺序为索引（或列出、绘出）的数据点。因此，数据以相对确定的时刻组织。所以，和随机样本相比，可能包含我们将尝试提取的额外信息。让我们导入一些库。首先我们需要statsmodels库，它包含了一大堆统计学建模函数，包括时序。对不得不迁移到Python的R粉来说，绝对会感到statsmodels很熟悉，因为它支持类似Wage Age + Education这样的模型定义。import numpy as np                               # 向量和矩阵import pandas as pd                              # 表格和数据处理import matplotlib.pyplot as plt                  # 绘图import seaborn as sns                            # 更多绘图功能from dateutil.relativedelta import relativedelta # 处理不同格式的时间日期from scipy.optimize import minimize              # 最小化函数import statsmodels.formula.api as smf            # 统计学和计量经济学import statsmodels.tsa.api as smtimport statsmodels.api as smimport scipy.stats as scsfrom itertools import product                    # 一些有用的函数from tqdm import tqdm_notebookimport warnings                                  # 勿扰模式warnings.filterwarnings(ignore)%matplotlib inline作为例子，让我们使用一些真实的手游数据，玩家每小时观看的