太棒了！ FaceBook 開源全網第一個時序王器 Kats ！

歡迎關注 @Python與數據挖掘，專注Python、數據分析、數據挖掘、好玩工具！

時間序列分析建模是數據科學和機器學習的一個重要的領域，在電子商務、金融、供應鏈管理、醫學、氣象、能源、天文等諸多領域有著廣泛的應用。目前時間序列分析以及建模的技術非常多，但相對散亂，本次 FaceBook 開源了 Kats，它是一款輕量級的、易於使用的、通用的時間序列分析框架，包括：預測、異常檢測、多元分析和特徵提取嵌入。

Kats 是第一個開發標準並連接時間序列分析各個領域的綜合 Python 庫，使用者可以在這裡探索其時間序列數據的基本特徵，預測未來值，監視異常，並將其合併到ML模型和pipeline中。它在時間序列的表現非常優秀，歡迎大家收藏學習，喜歡點讚支援。

簡介

1. Kats的優勢

Kats是一個分析時間序列資料的工具箱，特點是：

輕量級;
易於使用;
通用;

可以用來執行時間序列分析。

2. Kats的功能

Kats的核心四大功能包括：

模型預測：Kats提供了一套完整的預測工具，包括10+個單獨的預測模型、ensembling、自監督學習（meta-learning）模型、backtesting、超參數調整和經驗預測區間。
檢測：Kats支援檢測時間序列數據的各種模式的功能，包括季節性、異常值、變化點和緩慢的趨勢變化檢測。
特徵提取與嵌入：Kats中的時間序列特徵（TSFeature）提取模組可以產生65個具有明確統計定義的特徵，這些特徵可以應用於大多數機器學習（ML）模型，如分類和回歸。
使用的功能：Kats還提供了一組有用的實用程式，例如時間序列模擬器。

1、預測案例

# pip install kats

importpandasaspdfromkats.constsimportTimeSeriesDatafromkats.models.prophetimportProphetModel,ProphetParams# take air_passengers data as an exampleair_passengers_df=pd.read_csv("./data/air_passengers.csv",header=0,names=["time","passengers"],)air_passengers_df.head()

# convert to TimeSeriesData objectair_passengers_ts=TimeSeriesData(air_passengers_df)# create a model param instanceparams=ProphetParams(seasonality_mode='multiplicative')# additive mode gives worse results# create a prophet model instancem=ProphetModel(air_passengers_ts,params)# fit model simply by calling m.fit()m.fit()# make prediction for next 30 monthfcst=m.predict(steps=30,freq="MS")fcst.tail()

2、時間序列檢測案例

異常改變點的檢測

importnumpyasnpfromkats.constsimportTimeSeriesDatafromkats.detectors.cusum_detectionimportCUSUMDetector# simulate time series with increasenp.random.seed(10)df_increase=pd.DataFrame({'time':pd.date_range('2019-01-01','2019-03-01'),'increase':np.concatenate([np.random.normal(1,0.2,30),np.random.normal(2,0.2,30)]),})# convert to TimeSeriesData objecttimeseries=TimeSeriesData(df_increase)# run detector and find change pointschange_points=CUSUMDetector(timeseries).detector()df_increase.groupby('time')['increase'].first().plot()

3、時間序列特徵

# Initiate feature extraction classfromkats.tsfeatures.tsfeaturesimportTsFeatures# take air_passengers data as an exampleair_passengers_df=pd.read_csv("./data/air_passengers.csv",header=0,names=["time","passengers"],)# convert to TimeSeriesData objectair_passengers_ts=TimeSeriesData(air_passengers_df)# calculate the TsFeaturesfeatures=TsFeatures().transform(air_passengers_ts)