欢迎来到sktime

时间序列机器学习的统一接口

:rocket: 版本0.16.1已发布！ 在此查看发布说明。

sktime 是一个用于Python时间序列分析的库。它为多个时间序列学习任务提供了一个统一的接口。目前包括时间序列分类、回归、聚类、注释和预测。它提供了时间序列算法和scikit-learn兼容的工具来构建、调整和验证时间序列模型。

概述
CI/CD
代码
下载
社区
引用

:books: 文档

:speech_balloon: 提问处

问题和反馈非常欢迎！请理解我们无法通过电子邮件提供个别支持。我们相信，如果公开共享，帮助将更有价值，这样更多的人可以从中受益。

:dizzy: 功能

我们的目标是使时间序列分析生态系统更具互操作性和可用性。sktime为不同的但相关的时序学习任务提供了一个统一的接口。它具有专门的时间序列算法和用于复合模型构建的强大工具，包括管道、集成、调整和减少，使用户能够将一个任务的算法应用于另一个任务。

sktime还提供了对相关库的接口，例如scikit-learn、statsmodels、tsfresh、PyOD和fbprophet等。

有关深度学习，请参阅我们的配套软件包：sktime-dl。

:hourglass_flowing_sand: 安装sktime

有关故障排除和详细安装说明，请参阅文档。

• 操作系统：macOS X · Linux · Windows 8.1或更高版本
• Python版本：Python 3.7, 3.8, 3.9, 3.10和3.11（仅64位）
• 包管理器：pip · conda（通过conda-forge）

pip

使用pip，sktime版本作为源代码包和二进制轮盘赌提供。您可以在这里查看所有可用的轮盘赌。

pip install sktime

或者，使用最大依赖项，

pip install sktime[all_extras]

conda

您也可以通过conda通过conda-forge频道安装sktime。有关包括构建配方和配置的feedstock，请查看此存储库。

conda install -c conda-forge sktime

或者，使用最大依赖项，

conda install -c conda-forge sktime-all-extras

:zap: 快速入门

预测

from sktime.datasets import load_airline
from sktime.forecasting.base import ForecastingHorizon
from sktime.forecasting.model_selection import temporal_train_test_split
from sktime.forecasting.theta import ThetaForecaster
from sktime.performance_metrics.forecasting import mean_absolute_percentage_error

y = load_airline()
y_train, y_test = temporal_train_test_split(y)
fh = ForecastingHorizon(y_test.index, is_relative=False)
forecaster = ThetaForecaster(sp=12)  # monthly seasonal periodicity
forecaster.fit(y_train)
y_pred = forecaster.predict(fh)
mean_absolute_percentage_error(y_test, y_pred)
>>> 0.08661467738190656

时序分类

from sktime.classification.interval_based import TimeSeriesForestClassifier
from sktime.datasets import load_arrow_head
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X, y = load_arrow_head()
X_train, X_test, y_train, y_test = train_test_split(X, y)
classifier = TimeSeriesForestClassifier()
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
accuracy_score(y_test, y_pred)
>>> 0.8679245283018868

:wave: 如何参与

有许多方法可以加入sktime社区。我们遵循all-contributors规范：欢迎所有类型的贡献——而不仅仅是代码。

:bulb: 项目愿景

• 由社区，为社区 -- 由一个友好和协作的社区开发。
• 适合正确任务的正确工具 -- 帮助用户诊断他们的学习问题并选择合适的科学模型类型。
• 嵌入到最先进的生态系统和提供互操作接口 -- 与scikit-learn、statsmodels、tsfresh和其他社区喜爱的软件互操作。
• 丰富的模型组合和缩减功能 -- 构建调整和特征提取管道，使用scikit-learn回归器解决预测任务。
• 清晰的描述性规范语法 -- 基于现代面向对象设计原则的数据科学。
• 公平的模型评估和基准测试 -- 构建您的模型，检查您的模型，验证您的模型，避免陷阱。
• 易于扩展 -- 容易扩展模板，添加与sktime API兼容的自己的算法。