基于统计模型的时序预测套件

这些详情尚未由PyPI验证

项目描述

Nixtla

统计 ⚡️ 预测

使用统计和计量模型进行闪电般快速预测

StatsForecast 提供了一组广泛使用的单变量时间序列预测模型，包括自动 ARIMA、ETS、CES 和 Theta 模型，通过使用 numba 优化性能。它还包括大量基准模型。

安装

您可以使用以下方式安装 StatsForecast

pip install statsforecast

或

conda install -c conda-forge statsforecast

访问我们的安装指南以获取更多说明。

快速入门

最小示例

from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA
from statsforecast.utils import AirPassengersDF

df = AirPassengersDF
sf = StatsForecast(
    models = [AutoARIMA(season_length = 12)],
    freq = 'M'
)

sf.fit(df)
sf.predict(h=12, level=[95])

通过此快速指南开始。

按照此端到端演练进行最佳实践。

为什么？

当前 Python 的统计模型替代方案速度慢、不准确且扩展性不好。因此，我们创建了一个库，可用于生产环境中的预测或作为基准。 StatsForecast 包含了一组广泛的模型，可以有效地拟合数百万个时间序列。

功能

Python 中 AutoARIMA、AutoETS、AutoCES、MSTL 和 Theta 的最快和最精确实现。
与 Spark、Dask 和 Ray 无缝兼容。
概率预测和置信区间。
支持外生变量和静态协变量。
异常检测。
熟悉的 sklearn 语法：.fit 和 .predict。

亮点

包含 ARIMA 的 外生变量 和 预测区间。
比 pmdarima 快 20 倍。
比 R 快 1.5 倍。
比 Prophet 快 500 倍。
比 statsmodels 快 4 倍。
通过 numba 编译成高性能机器代码。
使用 ray 在 30 分钟内处理 1,000,000 个序列。
在两行代码中替换 FB-Prophet 并获得速度和准确性。请参阅实验此处。
在 5 分钟内对 1,000,000 个序列上的 10 个基准模型进行拟合。

缺少什么？请提交问题或在中给我们留言。

示例和指南

📚 端到端演练：多时间序列的模型训练、评估和选择

🔎 异常检测：使用样本预测区间检测时间序列中的异常

👩‍🔬 交叉验证：稳健的模型性能评估

❄️ 多重季节性：如何使用 MSTL 预测具有多重季节性的数据

🔌 预测需求峰值：用于检测每日峰值并降低电费的电力负荷预测。

📈 间歇性需求：预测具有非常少非零观测值的序列。

🌡️ 外生回归因子：如天气或价格

模型

自动预测

自动预测工具搜索最佳参数，并为一组时间序列选择最佳模型。这些工具对于大量单变量时间序列集合非常有用。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
AutoARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅

ARIMA系列

这些模型利用时间序列中现有的自相关。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
ARIMA	✅	✅	✅	✅	✅
自回归	✅	✅	✅	✅	✅

Theta系列

对去季节化时间序列拟合两条theta线，使用不同的技术获得并组合这两条theta线以生成最终的预测。

模型	点预测	概率预测	样本内拟合值	概率拟合值
Theta	✅	✅	✅	✅
优化Theta	✅	✅	✅	✅
动态Theta	✅	✅	✅	✅
动态优化Theta	✅	✅	✅	✅

多重季节性

适用于具有一个以上明显季节性的信号。对于电力和日志等低频数据非常有用。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
MSTL	✅	✅	✅	✅	如果趋势预测器支持

GARCH和ARCH模型

适用于对时间序列进行建模，这些时间序列在时间上表现出非恒定的波动性。ARCH模型是GARCH的一个特例。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
GARCH	✅	✅	✅	✅
ARCH	✅	✅	✅	✅

基线模型

用于建立基线的经典模型。

模型	点预测	概率预测	样本内拟合值	概率拟合值
历史平均值	✅	✅	✅	✅
天真	✅	✅	✅	✅
随机游走	✅	✅	✅	✅
季节性天真	✅	✅	✅	✅
窗口平均值	✅
季节性窗口平均值	✅

指数平滑

使用所有过去观测值的加权平均值，其中权重以指数方式减少到过去。适用于具有明显趋势和/或季节性的数据。对于没有明显趋势或季节性的数据，请使用SimpleExponential系列。

模型	点预测	概率预测	样本内拟合值	概率拟合值
简单指数平滑	✅
优化简单指数平滑	✅
季节性指数平滑	✅
优化季节性指数平滑	✅
Holt	✅	✅	✅	✅
HoltWinters	✅	✅	✅	✅

稀疏或间歇性

适用于具有非常少非零观测值的序列

模型	点预测	样本内拟合值	概率拟合值
ADIDA	✅	✅	✅
CrostonClassic	✅	✅	✅
CrostonOptimized	✅	✅	✅
CrostonSBA	✅	✅	✅
IMAPA	✅	✅	✅
TSB	✅	✅	✅

🔨 如何贡献

查看CONTRIBUTING.md。

引用

@misc{garza2022statsforecast,
    author={Federico Garza, Max Mergenthaler Canseco, Cristian Challú, Kin G. Olivares},
    title = {{StatsForecast}: Lightning fast forecasting with statistical and econometric models},
    year={2022},
    howpublished={{PyCon} Salt Lake City, Utah, US 2022},
    url={https://github.com/Nixtla/statsforecast}
}

贡献者 ✨

感谢这些可爱的人(emoji key)

_fede 💻 🚧	_{José Morales} 💻 🚧	_{Sugato Ray} 💻	_{Jeff Tackes} 🐛	_darinkist 🤔	_{Alec Helyar} 💬	_{Dave Hirschfeld} 💬
_mergenthaler 💻	_Kin 💻	_Yasslight90 🤔	_asinig 🤔	_{Philip Gillißen} 💻	_{Sebastian Hagn} 🐛 📖	_{Han Wang} 💻
_{Ben Jeffrey} 🐛	_Beliavsky 📖	_{Mariana Menchero García} 💻	_{Nikhil Gupta} 🐛	_JD 🐛	_{josh attenberg} 💻	_{JeroenPeterBos} 💻
_{Jeroen Van Der Donckt} 💻	_Roymprog 📖	_{Nelson Cárdenas Bolaño} 📖	_{Kyle Schmaus} 💻	_{Akmal Soliev} 💻	_{Nick To} 💻	_{Kevin Kho} 💻
_{Yiben Huang} 📖	_{Andrew Gross} 📖	_taniishkaaa 📖	_{Manuel Calzolari} 💻

本项目遵循all-contributors规范。欢迎所有形式的贡献！

项目详情

这些详情尚未由PyPI验证

发布历史发布通知 | RSS订阅

当前版本

1.7.8

2024年9月19日

1.7.7.1

2024年9月13日

1.7.7

2024年9月13日

1.7.6

2024年7月17日

1.7.5

2024年5月24日

1.7.4

2024年4月8日

1.7.3

2024年2月5日

1.7.2

2024年1月31日

1.7.1

2024年1月5日

1.7.0

2023年12月19日

1.6.0

2023年8月23日

1.5.0

2023年2月28日

1.4.0

2022年12月1日

1.3.2

2022年11月28日

1.3.1

2022年11月17日

1.3.0

2022年11月15日

1.2.1

2022年11月2日

1.2.0

2022年10月31日

1.1.3

2022年10月25日

1.1.2

2022年10月24日

1.1.1

2022年10月5日

1.1.0

2022年9月28日

1.0.0

2022年8月15日

0.7.1

2022年7月23日

0.7.0

2022年7月21日

0.6.0

2022年7月19日

0.5.6

2022年6月27日

0.5.5

2022年5月9日

0.5.4

2022年5月2日

0.5.3

2022年4月12日

0.5.2

2022年3月19日

0.5.1

2022年3月11日

0.5.0

2022年3月7日

0.4.0

2022年3月1日

0.3.0

2022年2月20日

0.2.0

2021年12月9日

0.1.0

2021年11月24日

下载文件

下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。

源代码分布

statsforecast-1.7.8.tar.gz (2.9 MB 查看哈希值)

上传时间： 2024年9月19日 源代码

构建分布

statsforecast-1.7.8-cp312-cp312-win_amd64.whl (255.4 kB 查看哈希值)

上传时间： 2024年9月19日 CPython 3.12 Windows x86-64

statsforecast-1.7.8-cp312-cp312-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (315.2 kB 查看哈希值)

上传时间： 2024年9月19日 CPython 3.12 manylinux: glibc 2.17+ x86-64

statsforecast-1.7.8-cp312-cp312-manylinux_2_17_aarch64.manylinux2014_aarch64.whl (305.2 kB 查看哈希值)

上传时间： 2024年9月19日 CPython 3.12 manylinux: glibc 2.17+ ARM64

statsforecast-1.7.8-cp312-cp312-macosx_11_0_arm64.whl (274.2 kB 查看哈希值)

上传时间： 2024年9月19日 CPython 3.12 macOS 11.0+ ARM64

statsforecast-1.7.8-cp312-cp312-macosx_10_13_x86_64.whl (289.0 kB 查看哈希值)

上传时间： 2024年9月19日 CPython 3.12 macOS 10.13+ x86-64

statsforecast-1.7.8-cp311-cp311-win_amd64.whl (254.7 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.11 Windows x86-64

statsforecast-1.7.8-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (315.8 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.11 manylinux: glibc 2.17+ x86-64

statsforecast-1.7.8-cp311-cp311-manylinux_2_17_aarch64.manylinux2014_aarch64.whl (305.9 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.11 manylinux: glibc 2.17+ ARM64

statsforecast-1.7.8-cp311-cp311-macosx_11_0_arm64.whl (275.1 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.11 macOS 11.0+ ARM64

statsforecast-1.7.8-cp311-cp311-macosx_10_9_x86_64.whl (289.4 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.11 macOS 10.9+ x86-64

statsforecast-1.7.8-cp310-cp310-win_amd64.whl (253.5 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.10 Windows x86-64

statsforecast-1.7.8-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (314.7 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.10 manylinux: glibc 2.17+ x86-64

statsforecast-1.7.8-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl (304.8 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.10 manylinux: glibc 2.17+ ARM64

statsforecast-1.7.8-cp310-cp310-macosx_11_0_arm64.whl (273.9 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.10 macOS 11.0+ ARM64

statsforecast-1.7.8-cp310-cp310-macosx_10_9_x86_64.whl (288.1 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.10 macOS 10.9+ x86-64

statsforecast-1.7.8-cp39-cp39-win_amd64.whl (251.8 kB 查看哈希值)

上传于 2024年9月19日 CPython 3.9 Windows x86-64

statsforecast-1.7.8-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (314.9 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.9 manylinux: glibc 2.17+ x86-64

statsforecast-1.7.8-cp39-cp39-manylinux_2_17_aarch64.manylinux2014_aarch64.whl (305.0 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.9 manylinux: glibc 2.17+ ARM64

statsforecast-1.7.8-cp39-cp39-macosx_11_0_arm64.whl (274.0 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.9 macOS 11.0+ ARM64

statsforecast-1.7.8-cp39-cp39-macosx_10_9_x86_64.whl (288.3 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.9 macOS 10.9+ x86-64

statsforecast-1.7.8-cp38-cp38-win_amd64.whl (253.6 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.8 Windows x86-64

statsforecast-1.7.8-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (313.6 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.8 manylinux: glibc 2.17+ x86-64

statsforecast-1.7.8-cp38-cp38-manylinux_2_17_aarch64.manylinux2014_aarch64.whl (305.0 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.8 manylinux: glibc 2.17+ ARM64

statsforecast-1.7.8-cp38-cp38-macosx_11_0_arm64.whl (273.7 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.8 macOS 11.0+ ARM64

statsforecast-1.7.8-cp38-cp38-macosx_10_9_x86_64.whl (288.0 kB 查看哈希)

上传时间： 2024年9月19日 CPython 3.8 macOS 10.9+ x86-64

statsforecast-1.7.8.tar.gz 的哈希值

statsforecast-1.7.8.tar.gz 的哈希值
算法	哈希摘要
SHA256	`44a89372e1761bba90ded17ccd6fd3504012d219e8ceb4c453d78be910e92287`
MD5	`6daef3791c06d330a7f3690805968477`
BLAKE2b-256	`38ef4f5157b9c1749ec13d12d721bc8af0dda90c5c4f0c75948db31d93b71829`

哈希值用于 statsforecast-1.7.8-cp312-cp312-win_amd64.whl

statsforecast-1.7.8-cp312-cp312-win_amd64.whl 的哈希值
算法	哈希摘要
SHA256	`1815e702096e5da75add79c81b3cc867954f3a957c921836035a78065f8e720e`
MD5	`13c2d93138e74aad67301bd5b83ae5d2`
BLAKE2b-256	`e6ab5de37ea549895b9ee5701ac45bb7aff47ec7838754ab468188af7253b699`

哈希值用于 statsforecast-1.7.8-cp312-cp312-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

statsforecast-1.7.8-cp312-cp312-manylinux_2_17_x86_64.manylinux2014_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`c949af0b8b299bd1cf541de9b718c9f4ad627cd858fbda0a14bc4fd5d390241e`
MD5	`c37f91e56f2ef42b24e37b03e8239161`
BLAKE2b-256	`6b6fe70e0f3937ecbe65f353ba3df5385f6996e240fb366d3a2e1cfd7cc2daf4`

哈希值用于 statsforecast-1.7.8-cp312-cp312-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

statsforecast-1.7.8-cp312-cp312-manylinux_2_17_aarch64.manylinux2014_aarch64.whl 的哈希值
算法	哈希摘要
SHA256	`6eda1b19e9230925766d2f247ab64d873af09ba0db56d8ddf2705aa78e4d59b1`
MD5	`6dd2b4d8412a4a67fd58377321a9b0ea`
BLAKE2b-256	`44d0f96049db657cb1f17f6513dc2bcd4d647ce10dcf2225260b23d1b3210ac7`

哈希值用于 statsforecast-1.7.8-cp312-cp312-macosx_11_0_arm64.whl

statsforecast-1.7.8-cp312-cp312-macosx_11_0_arm64.whl 的哈希值
算法	哈希摘要
SHA256	`a598bedc662ae892d5ab050352746805a731a8aec511a6771cf03b1f4d76e3f2`
MD5	`6d65535bc51f0e7f226b54946deb2781`
BLAKE2b-256	`a5f5e18a4a5d1023159411c0080095b1ee673e6f78493f1ad5c32b2e17ebe1d8`

哈希值用于 statsforecast-1.7.8-cp312-cp312-macosx_10_13_x86_64.whl

statsforecast-1.7.8-cp312-cp312-macosx_10_13_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`33eace24080e559ac410fbed361cabfe688cb2f9b9a2e2f20aca19dcbc20be0d`
MD5	`3d0ba26f34f1ee03c39ea0d80dd353ca`
BLAKE2b-256	`0eff908343552251642c8d2dd374e5b909d2c2d16ba6abc60f9d2a24076c65e9`

哈希值用于 statsforecast-1.7.8-cp311-cp311-win_amd64.whl

statsforecast-1.7.8-cp311-cp311-win_amd64.whl 的哈希值
算法	哈希摘要
SHA256	`da74148ab2e398ad4310c12fa34517477ad20fc49b935f63c330da2e94380c9f`
MD5	`d6c9f1445519e2b2a2420ab1f7da3fbb`
BLAKE2b-256	`de7c4e56c0c5aa11f73cebd5e49ec55cc7be6799c559a290d2eac893cef18394`

哈希值用于 statsforecast-1.7.8-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

statsforecast-1.7.8-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`84bc52363d66ece211e6d196eb764fceb097384a192031be866bea02f7e62c4d`
MD5	`2888851d063ab7d722a65261cde1eca1`
BLAKE2b-256	`8b0afd4477e16c0d9509d503891dbba2baf73f4b17426850c3c02350a18ab049`

哈希值用于 statsforecast-1.7.8-cp311-cp311-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

statsforecast-1.7.8-cp311-cp311-manylinux_2_17_aarch64.manylinux2014_aarch64.whl 的哈希值
算法	哈希摘要
SHA256	`aa02344b08e71497ddc562b023ab627b3703f035fd703dad3e5a0f6e94cb8c7f`
MD5	`cb8d30462cd98bac75070aa85dc39ca3`
BLAKE2b-256	`a80f62317fadd4b5d9e1fe0b88d352cbad2e254a5c9ebfbba6d379d2096a8110`

哈希值用于 statsforecast-1.7.8-cp311-cp311-macosx_11_0_arm64.whl

statsforecast-1.7.8-cp311-cp311-macosx_11_0_arm64.whl 的哈希值
算法	哈希摘要
SHA256	`725ebea30e9098c812dfbc85dc31a5b459d46d3b81e68212899894770f27648a`
MD5	`92eed6e6bb9e4554e3ede5f4415e9cdd`
BLAKE2b-256	`fb8198990339028ee547a1d5b155f411d42b29df5cb6bad80830accb665dad09`

哈希值用于 statsforecast-1.7.8-cp311-cp311-macosx_10_9_x86_64.whl

statsforecast-1.7.8-cp311-cp311-macosx_10_9_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`737c99fff0e881fb1713e7f38e5d3b523a6451650564706eef91ce647d5a8d74`
MD5	`41155bec787e7082088166fb370f6687`
BLAKE2b-256	`b39ef71462cc00622b653bd9d1865b08840140267389f6fe50adcf9c8a5935fe`

哈希值用于 statsforecast-1.7.8-cp310-cp310-win_amd64.whl

statsforecast-1.7.8-cp310-cp310-win_amd64.whl 的哈希值
算法	哈希摘要
SHA256	`e020832403530e5be74f44738d792c043faecc2718e71cc6cf1372f361210f64`
MD5	`665a671b70af21683eb5853b5cb368f3`
BLAKE2b-256	`2f9c9bc8b708ddf7ba852448ea821cf6ba04f9f482462bd0b6f9bd0d4c00e5f8`

哈希值用于 statsforecast-1.7.8-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

statsforecast-1.7.8-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`892413f04f48c6036ebefb759cf676b0cf98ce6079c3f1a55795eba3a06d20b2`
MD5	`760364745a5c6c467d02a19dc7535488`
BLAKE2b-256	`87dda5fc68cc69a1c81e545d44ba74fd0c6a4e3a69db27ef7fb35e10d6de1ca0`

哈希值用于 statsforecast-1.7.8-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

statsforecast-1.7.8-cp310-cp310-manylinux_2_17_aarch64.manylinux2014_aarch64.whl 的哈希值
算法	哈希摘要
SHA256	`12f1bea7e1a23ca425476dfcf17dc56a44462ce0284f8c6f82c65b49c5c23b0b`
MD5	`09ad4991e3efccc82d7e8100f38e87e4`
BLAKE2b-256	`a535e662883ae62829f921cd93f7007b955206c2c46006f51ecd07ffa108ee84`

哈希值用于 statsforecast-1.7.8-cp310-cp310-macosx_11_0_arm64.whl

statsforecast-1.7.8-cp310-cp310-macosx_11_0_arm64.whl 的哈希值
算法	哈希摘要
SHA256	`a205baeac2db8afae70a67498c9ec89762525d88c741e323af5a539e4260cc61`
MD5	`b9aba6ade8f2c935f771a51b6dc2ade7`
BLAKE2b-256	`6cc5d1891f334d500647ab05e9e5dea0b89724097d859b031051c7822d75c6e3`

哈希值用于 statsforecast-1.7.8-cp310-cp310-macosx_10_9_x86_64.whl

statsforecast-1.7.8-cp310-cp310-macosx_10_9_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`79e5683a43265edd55d71b31bc602b29e8e38e61d0c9ef4b9000056ab6b8534e`
MD5	`2ed3ec3f9382b71ab2b4d28dbbf9c366`
BLAKE2b-256	`240559d9bfe4586f006ac5d06d7a6e1760f6ca5f31208bace43b64eff55c647a`

哈希值用于 statsforecast-1.7.8-cp39-cp39-win_amd64.whl

statsforecast-1.7.8-cp39-cp39-win_amd64.whl 的哈希值
算法	哈希摘要
SHA256	`1a4f6364e3542109a46efc4c67f28a2172e0b3805b4001595207a0f8fa08c715`
MD5	`08aa74d1d1385adfc34c9888392fa3b1`
BLAKE2b-256	`10dd8f16affb59ff29693f94e106e414e42f029bef48ca5aa842f4d0822f0d51`

哈希值用于 statsforecast-1.7.8-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

statsforecast-1.7.8-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`90df1972fcc6fe945a0e80398174f9a88fefc3ef1980e24a045e7029e9cf1eb2`
MD5	`4e936289cd51a07f1613c1983aac7ede`
BLAKE2b-256	`eebf95e92580072ed8cc0998beac933425c9dc78faf0f0998686cf8303e3e24d`

哈希值用于 statsforecast-1.7.8-cp39-cp39-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

statsforecast-1.7.8-cp39-cp39-manylinux_2_17_aarch64.manylinux2014_aarch64.whl 的哈希值
算法	哈希摘要
SHA256	`77f4d9d32c5c4df65720a71721af405f4d348f341ade89d1cabbdc7f02af73a9`
MD5	`1c9785455ef6dd2dc12ad68a64edc6b8`
BLAKE2b-256	`3d06061e189b0d0d82f257f635f6a3f00a39dea962dd13a58e2674fae6275d20`

哈希值用于 statsforecast-1.7.8-cp39-cp39-macosx_11_0_arm64.whl

statsforecast-1.7.8-cp39-cp39-macosx_11_0_arm64.whl 的哈希值
算法	哈希摘要
SHA256	`b51895e1dd88ab8abe0c43135822e4f5eafd0a903387407c21eda9e610cf00af`
MD5	`7f5662352c4ab68e37c68c20118816ab`
BLAKE2b-256	`f13b8a2f0ec9ff5295e5541ed7ebb0587a3aa16c6310b5ea4b093354cda2fbfd`

哈希值用于 statsforecast-1.7.8-cp39-cp39-macosx_10_9_x86_64.whl

statsforecast-1.7.8-cp39-cp39-macosx_10_9_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`34351e94006ad83fac45a78667731923b131bed5149b9f96c6bf249117b7612e`
MD5	`825d93273da12e87090d31a38e6725b2`
BLAKE2b-256	`9bb6e347ad8203a6157d2846ceb0b246d46b58d7c14b23030f32e899b0bef4e3`

哈希值用于 statsforecast-1.7.8-cp38-cp38-win_amd64.whl

statsforecast-1.7.8-cp38-cp38-win_amd64.whl 的哈希值
算法	哈希摘要
SHA256	`be8383b621bd5805ae003bfacded6c9eb3bb156d6948c27077cedd58314b862f`
MD5	`a6bc5f24845ada5141019480e187874a`
BLAKE2b-256	`fe4a351eff0c4b3b3ada7e5d00d0a64937d3151fb7a8c60052a17c0c951dd58a`

哈希值用于 statsforecast-1.7.8-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

statsforecast-1.7.8-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`d24b2a1f8e88bbeda3905bae7adc9ccffce40bbf10b64bd1121600fed958b9fa`
MD5	`9562e607ae603d16d6a13580b841a907`
BLAKE2b-256	`c7e1097d1ef07733808ee5f73843334ab977dbbf9f231c91be2f5e2d94ec0851`

哈希值用于 statsforecast-1.7.8-cp38-cp38-manylinux_2_17_aarch64.manylinux2014_aarch64.whl

statsforecast-1.7.8-cp38-cp38-manylinux_2_17_aarch64.manylinux2014_aarch64.whl 的哈希值
算法	哈希摘要
SHA256	`6fa9babfd8fb046912d2dde747f79f1957c20b717fc65a9f91c9994d8db6a737`
MD5	`1eeabfd816b3c2afd8bccd506d3b708f`
BLAKE2b-256	`3eaf570719df38f8a26a1b992ddb67710cf155d35ea4c10fa6a8fa63e436ab09`

哈希值用于 statsforecast-1.7.8-cp38-cp38-macosx_11_0_arm64.whl

statsforecast-1.7.8-cp38-cp38-macosx_11_0_arm64.whl 的哈希值
算法	哈希摘要
SHA256	`785c08a87bacbb4613b8e5d8273f6b31e2e8f3752f651bd695219d43656b6738`
MD5	`3830555ea949c7916314eab7f385c3eb`
BLAKE2b-256	`0d555baad59eeda756bd17d972dfc55b8716821355977df7a96991fb9e1f0838`

哈希值用于 statsforecast-1.7.8-cp38-cp38-macosx_10_9_x86_64.whl

statsforecast-1.7.8-cp38-cp38-macosx_10_9_x86_64.whl 的哈希值
算法	哈希摘要
SHA256	`656f9bbd328557aec776c8ce90f1a0c7601b4ca391454eae348c24ae88f7a1d5`
MD5	`604dc9b2944b1a6a3c954ca53e6cf2c9`
BLAKE2b-256	`c8b6bdcc02a7949dd5389065433dcc28cb5f99ed1401ba57e95eb52e9085ce95`

statsforecast 1.7.8

导航

验证详情

项目链接

GitHub统计

维护者

未验证详情

元数据

分类