tsmoothie：以向量化方式进行时序平滑和异常检测的Python库

　　tsmoothie
 

　　一个用于以向量化方式进行时间序列平滑和离群值检测的python库。
 

　　总览
 

　　tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。
 

　　可用的平滑技术是：
 

　　1)指数平滑

　　2)具有各种窗口类型(常量，汉宁，汉明，巴特利特，布莱克曼)的卷积平滑

　　3)多项式平滑

　　4)各种样条平滑(线性，三次，自然三次)

　　5)高斯平滑

　　6)Binner平滑

　　7)低价

　　8)各种季节性分解平滑(卷积，最低，自然三次样条)

　　9)带有可自定义组件(水平，趋势，季节性，长期季节性)的卡尔曼平滑
 

　　tsmoothie提供了平滑处理结果的间隔计算。这对于识别时间序列中的异常值和异常可能很有用。
 

　　可用的间隔类型为：
 

　　1)sigma间隔

　　2)置信区间

　　3)预测间隔

　　4)卡尔曼区间
 

　　采用这种类型的间隔取决于所使用的平滑方法。
 

　　tsmoothie还可以执行滑动平滑方法。可以将时间序列分成相等大小的片段，并分别进行平滑处理。与往常一样，此功能通过WindowWrapper类以矢量化方式实现。
 

　　点安装tsmoothie
 

　　该模块仅取决于NumPy，SciPy和simdkalman。支持Python 3.6或更高版本。
 

　　用法
 

　　下面是tsmoothie如何工作的几个示例。笔记本文件夹中提供了完整的示例。
 

　　#导入库
 

　　将 numpy 导入为 np
 

　　import matplotlib。pyplot 如 PLT
 

　　从 tsmoothie。utils_func 进口 sim_randomwalk
 

　　从 tsmoothie。进口顺畅 LowessSmoother
 

　　#产生3次长度为200
 

　　np的随机游走。随机的。种子(123)
 

　　数据 = sim_randomwalk(n_series = 3，时间步长= 200，
 

　　process_noise = 10，measure_noise = 30)
 

　　#操作平滑
 

　　平滑 = LowessSmoother(smooth_fraction = 0.1，迭代= 1)
 

　　更光滑。顺利(数据)
 

　　#生成
 

　　低间隔，向上 = 更平滑。get_intervals('prediction_interval')
 

　　#绘制间隔为
 

　　plt的平滑时间序列。图(figsize =(18，5))
 

　　对于 我 在 范围(3)：
 

　　PLT。副区(1，3，我+ 1)
 

　　PLT。积(平滑。smooth_data [我]，线宽= 3，颜色= '蓝色')
 

　　PLT。绘制(更平滑的数据[ i ]，' . k ')
 

　　plt。标题(f“时间序列{ i + 1 } ”); PLT。xlabel('时间')
 

　　PLT。fill_between(范围(len个(更平滑。数据[我]))，低[我]，向上[我]，阿尔法= 0.3)
 

　　#导入库
 

　　将 numpy 导入为 np
 

　　import matplotlib。pyplot 如 PLT
 

　　从 tsmoothie。utils_func 进口 sim_seasonal_data
 

　　从 tsmoothie。导入更顺畅 DecomposeSmoother
 

　　#生成3个长度为300
 

　　np的周期性时间序列。随机的。种子(123)
 

　　数据 = sim_seasonal_data(n_series = 3，时间步长= 300，
 

　　频率= 24，measure_noise = 30)
 

　　#
 

　　更平滑地 进行平滑操作= DecomposeSmoother(smooth_type = 'lowess'，周期= 24，
 

　　smooth_fraction = 0.3)
 

　　更平滑。顺利(数据)
 

　　#生成
 

　　低间隔，向上 = 更平滑。get_intervals('sigma_interval')
 

　　#绘制间隔为
 

　　plt的平滑时间序列。图(figsize =(18，5))
 

　　对于 我 在 范围(3)：
 

　　PLT。副区(1，3，我+ 1)
 

　　PLT。积(平滑。smooth_data [我]，线宽= 3，颜色= '蓝色')
 

　　PLT。绘制(更平滑的数据[ i ]，' . k ')
 

　　plt。标题(f“时间序列{ i + 1 } ”); PLT。xlabel('时间')
 

　　PLT。fill_between(范围(len个(更平滑。数据[我]))，低[我]，向上[我]，阿尔法= 0.3)