欢迎来到 sktime

面向时间序列机器学习的统一接口

:rocket: 版本 0.40.1 现已发布！ 请在此处查看发行说明。

sktime 是一个用于 Python 中时间序列分析的库。它为多种时间序列学习任务提供了一个统一的接口。目前，这些任务包括预测、时间序列分类、聚类、异常/变点检测等。它配备了时间序列算法以及与 scikit-learn 兼容的工具，用于构建、调优和验证时间序列模型。

	文档 · 教程 · 发行说明
开源
教程
社区
CI/CD
代码
下载量	)
引用

:books: 文档

文档
:star: [教程]	刚接触 sktime？这里有一切你需要了解的内容！
:clipboard: [Binder 笔记本]	可以在浏览器中直接运行的示例笔记本。
:woman_technologist: [示例]	如何使用 sktime 及其功能。
:scissors: [扩展模板]	如何使用 sktime 的 API 构建你自己的估计器。
:control_knobs: [API 参考]	sktime API 的详细参考。
:tv: [视频教程]	我们的 2021 年 PyData Global 视频教程。
:hammer_and_wrench: [变更日志]	更改和版本历史。
:deciduous_tree: [路线图]	sktime 的软件和社区发展规划。
:pencil: [相关软件]	相关软件列表。

:speech_balloon: 提问的地方

我们非常欢迎问题和反馈！我们坚信公开分享帮助的价值，因为这样可以让更广泛的受众从中受益。

类型	平台
:bug: 错误报告	[GitHub 问题追踪器]
:sparkles: 功能请求 & 想法	[GitHub 问题追踪器]
:woman_technologist: 使用问题	[GitHub 讨论] · Stack Overflow
:speech_balloon: 一般讨论	[GitHub 讨论]
:factory: 贡献 & 开发	dev-chat 频道 · Discord
:globe_with_meridians: 见面会和协作会议	Discord - 周五 13 UTC，dev/meet-ups 频道

:dizzy: 功能

我们的目标是全面提升时间序列分析生态系统的互操作性和易用性。sktime 为不同但相关的 时间序列学习任务提供了一个__统一的接口__。它包含专用的时间序列算法以及用于构建组合模型的工具，例如流水线、集成、调参和降维等，使用户能够将为某一任务设计的算法应用于其他任务。

sktime 还提供了与相关库的接口，例如 scikit-learn、statsmodels、tsfresh、PyOD 和 fbprophet 等。

模块	状态	链接
[预测]	稳定	教程 · API 参考 · 扩展模板
[时间序列分类]	稳定	教程 · API 参考 · 扩展模板
[时间序列回归]	稳定	API 参考
[变换]	稳定	教程 · API 参考 · 扩展模板
[异常检测]	正在成熟	扩展模板
[参数估计]	正在成熟	API 参考 · 扩展模板
[时间序列聚类]	正在成熟	API 参考 · 扩展模板
[时间序列距离/核函数]	正在成熟	教程 · API 参考 · 扩展模板
[时间序列对齐]	实验性	API 参考 · 扩展模板
[时间序列分割器]	正在成熟	扩展模板
[分布与仿真]	实验性

:hourglass_flowing_sand: 安装 sktime

如需故障排除及详细的安装说明，请参阅文档。

• 操作系统: macOS X · Linux · Windows 8.1 或更高版本
• Python 版本: Python 3.10、3.11、3.12 和 3.13（仅 64 位）
• 包管理器: pip · conda（通过 conda-forge）

pip

使用 pip 时，sktime 的发布形式包括源码包和二进制 wheel 文件。可用的 wheel 文件列表请见此处。

pip install sktime

或者，安装所有可选依赖项：

pip install sktime[all_extras]

针对特定学习任务的精选软依赖集合：

pip install sktime[forecasting]  # 仅安装预测相关的依赖
pip install sktime[forecasting,transformations]  # 同时安装预测器和变换器

类似的选项还包括：

• forecasting
• transformations
• classification
• regression
• clustering
• param_est
• networks
• detection
• alignment

注意：通常情况下，并不会安装某项学习任务的所有软依赖，而只是精选的一部分。

conda

您也可以通过 conda-forge 通道从 conda 安装 sktime。包含构建配方和配置的 feedstock 维护在这个 conda-forge 仓库中。

conda install -c conda-forge sktime

或者，安装所有可选依赖项：

conda install -c conda-forge sktime-all-extras

（由于 conda 不支持依赖集，因此无法通过 conda 灵活选择软依赖项）

:zap: 快速入门

预测

from sktime.datasets import load_airline
from sktime.forecasting.base import ForecastingHorizon
from sktime.forecasting.theta import ThetaForecaster
from sktime.split import temporal_train_test_split
from sktime.performance_metrics.forecasting import mean_absolute_percentage_error

y = load_airline()
y_train, y_test = temporal_train_test_split(y)
fh = ForecastingHorizon(y_test.index, is_relative=False)
forecaster = ThetaForecaster(sp=12)  # 每月季节性周期
forecaster.fit(y_train)
y_pred = forecaster.predict(fh)
mean_absolute_percentage_error(y_test, y_pred)
>>> 0.08661467738190656

时间序列分类

from sktime.classification.interval_based import TimeSeriesForestClassifier
from sktime.datasets import load_arrow_head
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X, y = load_arrow_head()
X_train, X_test, y_train, y_test = train_test_split(X, y)
classifier = TimeSeriesForestClassifier()
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
accuracy_score(y_test, y_pred)
>>> 0.8679245283018868

:wave: 如何参与

加入 sktime 社区的方式有很多。我们遵循 all-contributors 规范：欢迎各种形式的贡献，而不仅仅是代码。

文档
:gift_heart: [贡献]	如何为 sktime 做贡献。
:school_satchel: [导师计划]	刚接触开源项目？申请我们的导师计划吧！
:date: [会议]	参与我们的讨论、教程、工作坊和冲刺活动！
:woman_mechanic: [开发者指南]	如何进一步开发 sktime 的代码库。
:construction: [功能增强提案]	为 sktime 设计新功能。
:medal_sports: [贡献者]	所有贡献者的列表。
:raising_hand: [角色]	我们核心社区角色的概述。
:money_with_wings: [捐赠]	资助 sktime 的维护与开发。
:classical_building: [治理]	sktime 社区如何以及由谁做出决策。

:trophy: 名人堂

感谢所有社区成员的精彩贡献、拉取请求、问题报告和创意想法。

:bulb: 项目愿景

• 由社区、为社区 -- 由友好且协作的社区共同开发。
• 对症下药 -- 帮助用户诊断其学习问题，并选择合适的科学模型类型。
• 嵌入最先进的生态系统 并提供互操作性接口 -- 与 scikit-learn、statsmodels、tsfresh 等社区常用工具无缝对接。
• 丰富的模型组合与降维功能 -- 构建调优和特征提取流水线，利用 scikit-learn 回归器解决预测任务。
• 简洁、描述性强的规范语法 -- 基于现代面向对象的数据科学设计原则。
• 公正的模型评估与基准测试 -- 您可以构建、检查、验证自己的模型，同时避免常见陷阱。
• 易于扩展 -- 提供便捷的扩展模板，方便您添加与 sktime API 兼容的自定义算法。

sktime 快速上手指南

环境准备

系统要求

• 操作系统：macOS X、Linux、Windows 8.1 或更高版本
• Python 版本：Python 3.10、3.11、3.12 和 3.13（仅支持 64 位）

前置依赖

sktime 依赖于以下常用 Python 库：

• numpy
• scipy
• pandas
• scikit-learn

建议使用国内镜像源加速安装，例如：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

使用 pip 安装

pip install sktime

或安装所有可选依赖：

pip install sktime[all_extras]

根据需要安装特定功能的依赖：

pip install sktime[forecasting]          # 预测相关依赖
pip install sktime[forecasting,transformations]  # 预测和转换相关依赖

使用 conda 安装（推荐）

conda install -c conda-forge sktime

基本使用

以下是一个最简单的示例，演示如何使用 sktime 进行时间序列预测：

from sktime.forecasting.arima import AutoARIMA
from sktime.datasets import load_airline

# 加载数据集
y = load_airline()

# 初始化模型
forecaster = AutoARIMA()

# 拟合模型
forecaster.fit(y)

# 预测未来 12 个时间点
y_pred = forecaster.predict(fh=12)

print(y_pred)

此示例展示了如何使用 sktime 的 AutoARIMA 模型进行时间序列预测。更多用法请参考 官方文档。