使用 Python 处理时间序列数据

Python 生态系统中包含多种可用于处理时间序列数据的软件包。

以下列表并非 exhaustive，如果您认为有遗漏，欢迎编辑此列表（可通过 PR 提交文件更改建议）。

机器学习、统计学、数据分析

库

项目名称	描述
Arrow	一种合理且人性化的日期、时间及时间戳的创建、操作、格式化和转换方法
bta-lib	基于 pandas 的技术分析库，用于算法交易回测和量化分析
cesium	面向非均匀采样信号的时间序列平台，具备特征提取功能
Darts	一个库，使得使用从 ARIMA 到深度学习等多种模型进行预测变得非常容易。还支持集成、模型选择等功能。
ETNA	一个专注于时间序列预测与分析的 Python 库，始终以时间数据结构为核心。包含多种具有统一接口的预测模型，以及探索性数据分析和验证方法。
GENDIS	基于遗传算法的形状子发现工具
glm-sklearn	一个与 scikit-learn 兼容的包装器，封装了 statsmodels 中的 GLM 模块
Featuretools	时间序列特征提取，支持基于其他变量的条件性特征生成，并提供类似关系型数据库的数据容器，兼容 pandas 格式
fecon235	金融经济学的计算工具
ffn	金融函数库
flint	面向 Apache Spark 的时间序列库
Flow Forecast	Flow Forecast 是一个基于 PyTorch 构建的深度学习框架，用于时间序列预测、分类和异常检测。
hctsa	基于 Matlab 的特征提取工具，可通过 Python 控制
HMMLearn	具有 scikit-learn 兼容 API 的隐 Markov 模型
khiva-python	一个支持 GPU 加速分析的时间序列库，提供特征提取、模式发现等功能。
matrixprofile-ts	Matrix Profile 算法的 Python 实现，可同时进行异常检测和模式（或“motif”）发现。
Nitime	用于神经科学数据的时间序列分析
Orbit	Orbit 是一个用于贝叶斯时间序列预测与推断的 Python 包。
Pandas TA	一个易于使用的 Python 3 Pandas 扩展，包含 130 多种技术分析指标。
Pastas	用于水文数据的时间序列分析
prophet	适用于具有多周期性且增长呈线性或非线性的时间序列预测工具。
pyDSE	用于动态系统估计的 ARMA 模型
pyFTS	基于模糊集规则的时间序列预测模型，支持多步、点预测、区间预测和概率预测。
PyFlux	经典的时间序列预测模型
pysf	一个与 scikit-learn 兼容的机器学习库，用于监督/面板预测。
pyramid	R 语言中 auto.arima 方法的 Python 移植版本
pytorch-forecasting	一个基于 PyTorch 的时间序列预测库，支持多种最先进的网络架构。
pyts	包含时间序列预处理、变换以及分类技术。
ruptures	提供用于检测时间序列中变化点的方法，例如信号均值或尺度的变化，以及更复杂的概率分布或频率变化。
seglearn	将 scikit-learn 的管道概念扩展到序列数据上。
sktime	一个与 scikit-learn 兼容的库，用于处理时间序列/面板数据的学习，包括时间序列分类/回归以及（监督/面板）预测。
statsmodels	包含用于经典时间序列模型和假设检验的子模块。
stumpy	计算时间序列子序列全对相似性搜索的矩阵表征。
TensorFlow-Time-Series-Examples	使用 tf.contrib.timeseries 进行时间序列预测。
tensorflow_probability.sts	TensorFlow Probability 中的贝叶斯结构化时间序列模型。
timemachines	提供 prophet 等工具的函数式接口，并结合 Elo 评分系统。
Traces	一个用于不均匀间隔时间序列分析的库。
ta-lib	计算金融时间序列的技术指标（Python 封装了 TA-Lib）。
tsai	在 Pytorch / fastai 中应用最先进的深度学习技术处理时间序列和序列数据。
ta	计算金融时间序列的技术指标。
TIMEX	用于构建时间序列预测即服务平台/网站的库，具备完全自动化的数据摄取、预处理、预测及结果可视化流程。
tsflex	一个用于灵活处理时间序列和提取特征的工具包。
tsfresh	从时间序列中提取并筛选特征，使监督分类器和回归器能够应用于时间序列数据。
tslearn	直接用于时间序列的分类器和回归器。
tspreprocess	对时间序列进行预处理（重采样、去噪等），目前仍在开发中。
tsmoothie	一个基于向量化方式实现的时间序列平滑与异常值检测的 Python 库。

示例或单一模型

项目名称	描述
ES-RNN 预测算法	结合指数平滑与循环神经网络的 M4 竞赛优胜预测方法的 Python 实现，使用 PyTorch 框架
时间序列分类的深度学习方法	一系列常用的时间序列分类深度学习架构集合
基于 LSTM 的时间序列预测神经网络	基于 LSTM 的预测模型
LSTM_tsc	基于 LSTM 的时间序列分类神经网络
shapelets-python	基于多层神经网络的 Shapelet 分类器
M4 竞赛	统计与机器学习预测方法的集合
UCR 时间序列分类深度学习基准	用于最先进时间序列分类的全卷积神经网络
WTTE-RNN	基于 RNN 的威布尔密度估计进行事件发生时间预测

时间序列数据容器

项目名称	描述
Featuretools	时间序列特征提取工具，支持与其他变量条件关联，并提供类似关系型数据库的数据容器，兼容 Pandas
pysf	一个与 scikit-learn 兼容的监督式预测库
xarray	带标签的多维数据结构，前提是它们共享相同的时间索引
xpandas	用于存储任意类型异构表格数据（包括时间序列）的带标签一维和二维数据容器，并将特征提取与转换建模封装在与 scikit-learn 兼容的转换器接口中，目前仍在开发中。

数据集

项目名称	描述
awesome-public-datasets	这个庞大的公共数据集列表也包含时间序列数据集部分
ecmwf_models	气候再分析数据的读取与转换工具
M4 竞赛	针对 10 万个时间序列的预测竞赛
pandas-datareader	从不同来源（如 Yahoo、Google、Quandl）获取金融数据
Timeseriesclassification.com	一个广泛的时间序列分类数据集资源库

数据库、框架

项目名称	描述
artic	高性能的时间序列及逐笔交易数据存储系统
automl_service	完全自动化的时间序列分类流水线，已部署为 Web 服务
cesium	提供针对非均匀采样信号的特征提取功能的时间序列平台
thunder	基于 Spark 的 Python 可扩展图像与时间序列数据分析工具
whisper	基于文件的时间序列数据库格式

免费课程

项目名称	描述
时间序列预测	Udacity 提供的免费课程，教授如何在商业环境中构建和应用时间序列分析与预测

---

讨论

我们希望推动 Python 时间序列社区中所用格式的统一，请参阅概念页面

awesome_time_series_in_python 快速上手指南

awesome_time_series_in_python 并非一个单一的 Python 库，而是一个精选的时间序列分析工具与资源清单。本指南将帮助你根据需求选择合适的工具，并完成基础环境的搭建与使用。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 Python 3.8 及以上版本
• 包管理器：pip 或 conda
• 核心依赖：大多数列表中的库依赖以下基础科学计算包：
  • numpy
  • pandas
  • scikit-learn
  • matplotlib (用于可视化)

国内加速建议：推荐使用清华源或阿里源加速安装过程。 临时使用命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

由于该仓库包含数十个独立项目，请根据你的具体任务（如预测、分类、特征提取或金融分析）选择安装对应的库。以下是几类主流工具的安装命令：

1. 综合预测与分析框架 (推荐新手)

这些库封装了多种模型，接口统一，易于上手。

• Darts (支持从统计模型到深度学习):

  pip install darts
  # 或包含所有依赖的版本
  pip install "darts[all]"
  

• sktime (兼容 scikit-learn 接口，适合分类与预测):

  pip install sktime
  

• Prophet (Facebook 开源，适合具有季节性的数据):

  pip install prophet
  

2. 特征提取

• tsfresh (自动提取大量特征):

  pip install tsfresh
  

• Featuretools (自动化特征工程):

  pip install featuretools
  

3. 金融时间序列分析

• Pandas TA (技术指标分析):

  pip install pandas-ta
  

• ta-lib (需先安装底层 C 库，或使用预编译轮子):

  pip install TA-Lib
  

4. 深度学习专用

• PyTorch Forecasting:

  pip install pytorch-forecasting
  

• tsai (基于 fastai 的时间序列深度学习):

  pip install tsai
  

基本使用

以下以两个最常用的库 Darts 和 tsfresh 为例，展示最简化的使用流程。

示例 A：使用 Darts 进行时间序列预测

Darts 提供了统一的 API，此处演示使用指数平滑模型进行预测。

from darts import TimeSeries
from darts.models import ExponentialSmoothing

# 1. 准备数据 (假设你有一个 pandas Series)
import pandas as pd
dates = pd.date_range(start='2023-01-01', periods=100, freq='D')
values = range(100) # 替换为你的实际数据
series = TimeSeries.from_dataframe(pd.DataFrame({'date': dates, 'value': values}), time_col='date', value_cols='value')

# 2. 初始化模型
model = ExponentialSmoothing()

# 3. 训练模型
model.fit(series)

# 4. 预测未来 10 个时间点
forecast = model.predict(n=10)

# 5. 查看结果
print(forecast)
# 可选：绘制图表
# series.plot()
# forecast.plot()

示例 B：使用 tsfresh 进行特征提取

tsfresh 可以自动从时间序列中提取数百个特征，适用于机器学习分类或回归任务。

import pandas as pd
from tsfresh import extract_features

# 1. 准备数据 (必须是长格式 DataFrame，包含 id, time, value 列)
# 示例数据结构：
#    id  time  value
# 0   1     1   1.2
# 1   1     2   1.5
# 2   2     1   0.8
df = pd.read_csv("your_timeseries_data.csv")

# 2. 提取特征
# column_id: 区分不同时间序列的列名
# column_sort: 时间排序列名
extracted_features = extract_features(df, column_id="id", column_sort="time")

# 3. 查看提取出的特征矩阵
print(extracted_features.head())
# 输出将包含大量统计特征（如均值、方差、峰值等），可直接输入 sklearn 模型

下一步建议

• 访问 awesome_time_series_in_python GitHub 仓库 浏览完整列表，查找特定领域的工具（如水文分析 Pastas 或神经科学 Nitime）。
• 参考各工具独立的官方文档获取高级用法。