coreforecast 0.0.12

动机

在Nixtla，我们已经实现了几个处理时间序列数据的库。我们经常需要对所有序列应用一些转换，即使是像执行某种缩放这样的简单操作也可能耗时。

我们使用numba来加速我们的昂贵计算，然而这也带来了其他问题，例如冷启动和更多依赖（LLVM）。这就是我们开发这个库的原因，它通过C++实现了几个算子来转换时间序列数据（或其他可以被视为独立组的类型的数据），并有可能使用多线程来获得最佳性能。

你可能不需要直接使用这个库，而是可以使用我们的一些高级库，如mlforecast，它将在内部使用这个库。如果你对直接使用这个库感兴趣（仅依赖于numpy），你应该继续阅读。

安装

PyPI

pip install coreforecast

conda-forge

conda install -c conda-forge coreforecast

最小示例

基本数据结构是“分组数组”，它包含两个NumPy一维数组

• data：序列的值。
• indptr：序列边界，使得data[indptr[i] : indptr[i + 1]]返回第i个序列。例如，如果你有两个大小分别为5和10的序列，indptr将是[0, 5, 15]。

import numpy as np
from coreforecast.grouped_array import GroupedArray

data = np.arange(10)
indptr = np.array([0, 3, 10])
ga = GroupedArray(data, indptr)

一旦您有了这个结构，您就可以运行提供的任何转换，例如

from coreforecast.lag_transforms import ExpandingMean
from coreforecast.scalers import LocalStandardScaler

exp_mean = ExpandingMean(lag=1).transform(ga)
scaler = LocalStandardScaler().fit(ga)
standardized = scaler.transform(ga)

单数组函数

我们还实现了一些适用于单个数组的函数，您可以参考以下页面

• 差异
• 缩放器
• 季节性
• 滚动
• 扩展
• 指数加权