Operacje we/wy serii

Podstawowe funkcje wejścia i wyjścia (we/wy) dla szeregu czasowego są dostępne w postaci pandas DataFrame lub Python . Poniższy przykładowy kod przedstawia konstruowanie szeregów czasowych z 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

Aby powrócić z powrotem z szeregu czasowego do stanu pandas DataFrame, należy użyć funkcji 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

Model danych

Dane szeregów czasowych nie mają żadnych standardów dla modelu i typów danych, w przeciwieństwie do niektórych typów danych, takich jak przestrzenne, które są zarządzane przez standard, taki jak Open Geospatial Consortium (OGC). Wyzwaniem z danymi szeregów czasowych są różnorodne funkcje, które muszą być obsługiwane, podobnie jak w przypadku Spark Resilient Distributed Datasets (RDD).

Model danych pozwala na wykonywanie różnorodnych operacji, obejmujących różne formy segmentacji lub okienek szeregów czasowych, transformacje lub konwersje jednego szeregu czasowego do innego, reduktory, które oblicza wartość statyczną z szeregu czasowego, łączenia, które łączą się z wieloma szeregami czasowymi, a także kolektory szeregów czasowych z różnych stref czasowych. Biblioteka szeregów czasowych umożliwia tworzenie plug-and-play nowych funkcji przy jednoczesnym zachowaniu niezmienności podstawowej struktury danych. Biblioteka obsługuje również terminale numeryczne i kategorialne.

Ze strefami czasowymi i różnymi czytelnymi formatami czasu kluczowym aspektem modelu danych jest obsługa Systemu Obsługi Czasu (Time Reference System-TRS). Każda seria czasowa jest powiązana z TRS (system domyślny), który może być ponownie odwzorowany na dowolny konkretny wybór użytkownika w dowolnym momencie, umożliwiając łatwe przekształcenie konkretnego szeregu czasowego lub segmentu serii czasowych. Patrz Korzystanie z systemu odniesienia czasu.

Ponadto, z potrzebą obsługi szeregów czasowych o dużej skali, biblioteka oferuje leniwą konstrukcję wartościową, dostarczając mechanizm służący do identyfikowania maksymalnej, wąskiej zależności czasowej. Konstrukcja ta jest bardzo podobna do tego z grafu obliczeniowego Spark, który ładuje również dane do pamięci w miarę potrzeb i realizuje obliczenia tylko wtedy, gdy jest to potrzebne.

Typy danych szeregów czasowych

Istnieje możliwość użycia wielu typów danych jako elementu szeregu czasowego, obejmującego wiele struktur danych liczbowych, jakościowych, macierzy i danych słownikowych.

W szeregach czasowych obsługiwane są następujące typy danych:

Funkcje szeregów czasowych

Za pomocą różnych funkcji w udostępnionym pakiecie szeregów czasowych można analizować dane szeregów czasowych w celu wyodrębnienia znaczących informacji, za pomocą których można tworzyć modele, które mogą być używane do przewidywania nowych wartości na podstawie wcześniej zaobserwowanych wartości. Patrz Funkcje szeregów czasowych.

Więcej inform.

Aby użyć pakietu tspy Python SDK, należy zapoznać się z dokumentacją pakietu tspy Python SDK.

Temat nadrzędny: Analiza szeregów czasowych