<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                企業??AI智能體構建引擎,智能編排和調試,一鍵部署,支持知識庫和私有化部署方案 廣告
                # 用于時間序列預測的 Python 環境 > 原文: [https://machinelearningmastery.com/python-environment-time-series-forecasting/](https://machinelearningmastery.com/python-environment-time-series-forecasting/) Python 生態系統正在發展,可能成為應用機器學習的主要平臺。 采用 Python 進行時間序列預測的主要原因是因為它是一種通用編程語言,可以用于 R&amp; D 和生產。 在這篇文章中,您將發現用于時間序列預測的 Python 生態系統。 閱讀這篇文章后,你會知道: * 三個標準 Python 庫,對時間序列預測至關重要。 * 如何安裝和設置 Python 和 SciPy 環境以進行開發。 * 如何確認您的環境正常工作并準備好進行時間序列預測。 讓我們開始吧。 ![Python Environment for Time Series Forecasting](https://img.kancloud.cn/55/82/5582ca24712b1f45f6052393f8178eee_640x396.jpg) 用于時間序列預測的 Python 環境 照片由 [Joao Trindade](https://www.flickr.com/photos/joao_trindade/6907794950/) 拍攝,保留一些權利。 ## 為何選擇 Python? Python 是一種通用的解釋型編程語言(與 R 或 Matlab 不同)。 它易于學習和使用,主要是因為語言側重于可讀性。 它是一種流行語言,在 StackOverflow 調查中始終出現在前 10 種編程語言中(例如, [2015 年調查結果](http://stackoverflow.com/research/developer-survey-2015))。 Python 是一種動態語言,非常適合交互式開發和快速原型設計,具有支持大型應用程序開發的能力。 由于具有出色的庫支持,Python 還廣泛用于機器學習和數據科學。它已經迅速成為機器學習和數據科學從業者的[主導平臺之一,并且比雇主對 R 平臺的需求更大(見下圖)。](http://machinelearningmastery.com/python-growing-platform-applied-machine-learning/) ![Python Machine Learning Jobs vs R Machine Learning Jobs](https://img.kancloud.cn/3b/22/3b22cd5ee6395d514cf2e6ee1ef3ffb1_739x460.jpg) Python 機器學習工作與 R 機器學習工作 這是一個簡單而非常重要的考慮因素。 這意味著您可以使用您在操作中使用的相同編程語言執行研究和開發(確定要使用的模型),從而大大簡化從開發到操作的過渡。 ## 時間序列的 Python 庫 [SciPy](https://www.scipy.org/) 是一個用于數學,科學和工程的 Python 庫生態系統。它是 Python 的附加組件,您需要進行時間序列預測。 兩個 SciPy 庫為大多數其他庫提供了基礎;它們是用于提供高效數組操作的 [NumPy](http://www.numpy.org/) 和用于繪制數據的 [Matplotlib](http://matplotlib.org/) 。有三個更高級別的 SciPy 庫為 Python 中的時間序列預測提供關鍵功能。 它們分別是數據處理,時間序列建模和機器學習的熊貓,statsmodel 和 scikit-learn。 讓我們依次仔細研究一下。 ### 庫:熊貓 [pandas 庫](http://pandas.pydata.org)提供了用于在 Python 中加載和處理數據的高表現工具。 它建立在 SciPy 生態系統的基礎上,主要使用 NumPy 陣列,但提供方便易用的數據結構,如 _DataFrame_ 和 _ 系列 _,用于表示數據。 Pandas 提供[特別關注對時間序列數據的支持](http://pandas.pydata.org/pandas-docs/stable/timeseries.html)。 與大熊貓時間序列預測相關的主要功能包括: * 用于表示單變量時間序列的 _ 系列 _ 對象。 * 顯式處理數據和日期時間范圍中的日期時間索引。 * 變換,如移位,滯后和填充。 * 重采樣方法,如上采樣,下采樣和聚合。 ### 庫:statsmodels [statsmodels 庫](http://statsmodels.sourceforge.net/)提供統計建模工具。 它建立在 SciPy 生態系統的基礎上,并支持 NumPy 陣列和 Pandas _ 系列 _ 對象形式的數據。 它提供了一套統計測試和建模方法,以及專用于時間序列分析的[工具,它們也可用于預測。](http://statsmodels.sourceforge.net/stable/tsa.html) 與時間序列預測相關的 statsmodels 的主要功能包括: * 平穩性的統計測試,例如 Augmented Dickey-Fuller 單位根檢驗。 * 時間序列分析圖,如自相關函數(ACF)和部分自相關函數(PACF)。 * 線性時間序列模型,如自回歸(AR),移動平均線(MA),自回歸移動平均線(ARMA)和自回歸綜合移動平均線(ARIMA)。 ### 庫:scikit-learn [scikit-learn 庫](http://scikit-learn.org/)是如何在 Python 中開發和練習機器學習的。 它建立在 SciPy 生態系統的基礎之上。名稱“sckit”表明它是一個 SciPy 插件或工具包。您可以[查看可用的 SciKits](http://scikits.appspot.com/scikits) 的完整列表。 該庫的重點是用于分類,回歸,聚類等的機器學習算法。它還為相關任務提供工具,例如評估模型,調整參數和預處理數據。 與 scikit-learn 中的時間序列預測相關的主要功能包括: * 數據準備工具套件,例如縮放和輸入數據。 * 機器學習算法套件,可用于建模數據和進行預測。 * 用于估計模型在看不見的數據上的表現的重采樣方法,特別是 [TimeSeriesSplit](http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html) 。 ## Python 生態系統安裝 本節將為您提供有關為時間序列預測設置 Python 環境的一般建議。 我們將涵蓋: 1. 使用 Anaconda 自動安裝。 2. 使用平臺的包管理手動安裝。 3. 確認已安裝的環境。 如果您已經有一個正常運行的 Python 環境,請跳至確認步驟以檢查您的軟件庫是否是最新的。 讓我們潛入。 ### 1.自動安裝 如果您對在計算機上安裝軟件或在 Microsoft Windows 上安裝軟件沒有信心,那么您可以輕松選擇。 有一個名為 [Anaconda Python](https://www.continuum.io/downloads) 的發行版,您可以免費下載和安裝。 它支持 Microsoft Windows,Mac OS X 和 Linux 三個主要平臺。 它包括 Python,SciPy 和 scikit-learn:學習,練習和使用 Python 環境進行時間序列預測所需的一切。 你可以在這里開始使用 Anaconda Python: * [Anaconda 安裝](https://docs.continuum.io/anaconda/install) ### 2.手動安裝 有多種方法可以安裝特定于您的平臺的 Python 生態系統。 在本節中,我們將介紹如何安裝 Python 生態系統以進行時間序列預測。 #### 如何安裝 Python 第一步是安裝 Python。我更喜歡使用和推薦 Python 2.7 或 Python 3.5。 Python 的安裝將特定于您的平臺。有關說明請參閱: * [在](https://wiki.python.org/moin/BeginnersGuide/Download) [Python 初學者指南](https://wiki.python.org/moin/BeginnersGuide)中下載 Python 在 Mac OS X 上使用 macports,我會輸入: ```py sudo port install python35 sudo port select --set python python35 sudo port select --set python3 python35 ``` #### 如何安裝 SciPy 安裝 SciPy 的方法有很多種。 例如,兩種流行的方法是在您的平臺上使用包管理(例如 RedHat 上的 _dnf_ 或 OS X 上的 _macports_ )或使用 Python 包管理工具,如 _pip_ 。 SciPy 文檔非常出色,涵蓋了頁面上許多不同平臺的操作說明[安裝 SciPy Stack](https://www.scipy.org/install.html) 。 安裝 SciPy 時,請確保至少安裝以下軟件包: * SciPy 的 * numpy 的 * matplotlib * 大熊貓 * statsmodels 在帶有 _macports_ 的 Mac OS X 上,我會輸入: ```py sudo port install py35-numpy py35-scipy py35-matplotlib py35-pandas py35-statsmodels py35-pip sudo port select --set pip pip35 ``` 在 Fedora Linux 上使用 _dnf_ ,我會輸入: ```py sudo dnf install python3-numpy python3-scipy python3-pandas python3-matplotlib python3-statsmodels ``` #### 如何安裝 scikit-learn scikit-learn 庫必須單獨安裝。 我建議您使用相同的方法安裝 scikit-learn,就像您以前安裝 SciPy 一樣。 有[指令用于安裝 scikit-learn](http://scikit-learn.org/stable/install.html) ,但它們僅限于使用 Python _pip_ 包管理器。 在 Linux 和 Mac OS X 上,我輸入了 scikit-learn: ```py sudo pip install -U scikit-learn ``` ### 3.確認您的環境 設置完環境后,必須確認它是否按預期工作。 我們首先檢查 Python 是否已成功安裝。打開命令行并鍵入: ```py python -V ``` 您應該看到如下響應: ```py Python 2.7.12 ``` 要么 ```py Python 3.5.3 ``` 現在,確認已成功安裝庫。 創建一個名為 versions.py 的新文件,并將以下代碼段復制并粘貼到其中,并將文件另存為 _versions.py_ 。 ```py # scipy import scipy print('scipy: %s' % scipy.__version__) # numpy import numpy print('numpy: %s' % numpy.__version__) # matplotlib import matplotlib print('matplotlib: %s' % matplotlib.__version__) # pandas import pandas print('pandas: %s' % pandas.__version__) # statsmodels import statsmodels print('statsmodels: %s' % statsmodels.__version__) # scikit-learn import sklearn print('sklearn: %s' % sklearn.__version__) ``` 在命令行或您喜歡的 Python 編輯器中運行該文件。例如,鍵入: ```py python versions.py ``` 這將打印您需要的每個密鑰庫的版本。 例如,在撰寫本文時,我的系統得到了以下結果: ```py scipy: 0.18.1 numpy: 1.11.3 matplotlib: 1.5.3 pandas: 0.19.1 statsmodels: 0.6.1 sklearn: 0.18.1 ``` 如果您有錯誤,請立即停止并修復它。您可能需要查閱特定于您的平臺的文檔。 ## 摘要 在這篇文章中,您發現了用于時間序列預測的 Python 生態系統。 你了解到: * 大熊貓,statsmodels 和 scikit-learn 庫是用 Python 預測的頂級時間序列。 * 如何自動和手動設置 Python SciPy 環境以進行開發。 * 如何確認您的環境已正確安裝,并且您已準備好開始開發模型。 您還學習了如何在工作站上安裝用于機器學習的 Python 生態系統。 您對 Python 的時間序列預測或此帖有任何疑問嗎?在評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看