temporian下载 - temporian源代码下载

temporian

C/C++

v0.9.0

下载

Temporian是一个用于 Python 中安全、简单、高效的时态数据预处理和特征工程的库。 Temporian 支持多元时间序列、多元时间序列、事件日志和跨源事件流。

Temporian 之于时间数据就像 Pandas 之于表格数据一样。

主要特点

支持大多数类型的时态数据？：处理均匀采样和非均匀采样数据、单变量和多元数据、平面和多索引数据以及单源和多源非同步事件。
针对时态数据进行优化：Temporian 的核心计算是用 C++ 实现的，并针对时态数据进行了优化。在处理时态数据时，Temporian 的速度比现成的数据处理库快 1,000 倍以上。
易于集成到现有的 ML 生态系统中：Temporian 不执行任何 ML 模型训练，而是与任何 ML 库无缝集成，例如 PyTorch、Scikit-Learn、Jax、TensorFlow、XGBoost 或 Yggdrasil Decision Forests。
防止不必要的未来泄漏？：除非使用tp.leak明确指定，否则特征计算不能依赖于未来数据，从而防止不必要的、难以调试且可能代价高昂的未来泄漏。

快速入门

安装

使用pip从 PyPI 安装 Temporian：

pip install temporian -U

Temporian 目前可用于 Linux 和 MacOS（ARM 和 Intel）。 Windows 支持正在开发中。

最小的例子

考虑包含单个销售的timestamp 、 store和revenue的销售记录。

$ cat sales.csv
timestamp,store,revenue
2023-12-04 21:21:05,STORE_31,5071
2023-11-08 17:14:38,STORE_4,1571
2023-11-29 21:44:46,STORE_49,6101
2023-12-20 18:17:14,STORE_18,4499
2023-12-15 10:55:09,STORE_2,6666
...

我们的目标是计算每个工作日晚上 11 点（不包括周末）每家商店的收入总和。

首先，我们加载数据并列出工作日。

 import temporian as tp

# Load sale transactions
sales = tp . from_csv ( "sales.csv" )

# Index sales per store
sales_per_store = sales . add_index ( "store" )

# List work days
days = sales_per_store . tick_calendar ( hour = 22 )
work_days = ( days . calendar_day_of_week () <= 5 ). filter ()

work_days . plot ( max_num_plots = 1 )

然后，我们将每个工作日和每个商店的每日收入相加。

 # Aggregate revenue per store and per work day
daily_revenue = sales_per_store [ "revenue" ]. moving_sum ( tp . duration . days ( 1 ), sampling = work_days ). rename ( "daily_revenue" )

# Plot the results
daily_revenue . plot ( max_num_plots = 3 )