I/O časové řady

Primární vstupní a výstupní (I/O) funkce pro časovou řadu je přes pandy DataFrame nebo Python . Následující ukázka kódu zobrazuje sestavení časové řady z objektu DataFrame:

>>> import numpy as np
>>> import pandas as pd
>>> data = np.array([['', 'key', 'timestamp', "value"],['', "a", 1, 27], ['', "b", 3, 4], ['', "a", 5, 17], ['', "a", 3, 7], ['', "b", 2, 45]])
>>> df = pd.DataFrame(data=data[1:, 1:], index=data[1:, 0], columns=data[0, 1:]).astype(dtype={'key': 'object', 'timestamp': 'int64', 'value': 'float64'})
>>> df
key  timestamp  value
  a          1   27.0
  b          3    4.0
  a          5   17.0
  a          3    7.0
  b          2   45.0

#Create a timeseries from a dataframe, providing a timestamp and a value column
>>> ts = tspy.time_series(df, ts_column="timestamp", value_column="value")
>>> ts
TimeStamp: 1     Value: 27.0
TimeStamp: 2     Value: 45.0
TimeStamp: 3     Value: 4.0
TimeStamp: 3     Value: 7.0
TimeStamp: 5     Value: 17.0

Chcete-li se vrátit z časové řady zpět na pandy DataFrame, použijte funkci to_df :

>>> import tspy
>>> ts_orig = tspy.time_series([1.0, 2.0, 3.0])
>>> ts_orig
TimeStamp: 0     Value: 1
TimeStamp: 1     Value: 2
TimeStamp: 2     Value: 3

>>> df = ts_orig.to_df()
>>> df
   timestamp  value
0          0      1
1          1      2
2          2      3

Datový model

Data časových řad nemají žádné standardy pro model a datové typy, na rozdíl od některých datových typů, jako jsou prostorové, které se řídí standardem, jako je Open Geospatial Consortium (OGC). Výzva s daty časové řady je široká škála funkcí, které je třeba podporovat, podobně jako u distribuovaných datových sad (RDD) Spark Resilient.

Datový model umožňuje širokou škálu operací od různých forem segmentace nebo oken časových řad, transformace nebo konverze jedné časové řady do druhé, reduktory, které vypočítávají statickou hodnotu z časových řad, spojení typu join spojující více časových řad a kolektory časových řad z různých časových pásem. Knihovna časových řad umožňuje plug-and-play nových funkcí a zároveň udržet základní strukturu dat neměnitelnou. Knihovna také podporuje numerické a kategoriální typované časové řady.

Pomocí časových pásem a různých formátů času čitelných pro člověka je klíčovým aspektem datového modelu podpora pro systém RTRS (Time Reference System). Každá časová řada je přidružena k sadě TRS (systémová předvolba), kterou lze kdykoli znovu namapovat na libovolnou specifickou volbu uživatele, což umožňuje snadnou transformaci specifické časové řady nebo segmentu časové řady. Viz téma Použití referenčního systému času.

Dále, vzhledem k nutnosti zpracovat velké časové řady stupnice, nabízí knihovna lazy evaluační konstrukci tím, že poskytuje mechanismus pro identifikaci maximální úzké časové závislosti. Tento konstrukt je velmi podobný výpočtu grafu Spark, který také načítá data do paměti podle potřeby a realizuje výpočty pouze v případě potřeby.

Datové typy časové řady

Jako prvek časové řady můžete použít více datových typů, které přesahují číselné, kategoriální, maticové a slovníkové datové struktury.

V časové řadě jsou podporovány následující datové typy:

Funkce časové řady

V poskytnutých balících časových řad můžete použít různé funkce k analýze dat časových řad za účelem extrakce smysluplných informací, pomocí kterých lze vytvářet modely, které lze použít k předpovědi nových hodnot na základě dříve pozorovaných hodnot. Viz Funkce časové řady.

Další informace

Chcete-li použít produkt tspy Python SDK, přečtěte si dokumentaci sady tspy Python SDK.

Nadřízené téma: Analýza časové řady