如果从头开始，为大量与时间相关的数据开发复杂模型对于程序员来说可能是一项艰巨的任务。这是Python的好处之一，它有很多时间序列相关的库可以直接使用。如果您有兴趣解决与时间序列相关的问题，本文将讨论五个这样的库，它们可能对您有所帮助。其中一些图书馆正在使用深度学习方法来寻找数据中的最佳模式。尽管如此，我还是建议用您的数据一个一个地尝试这些库，看看哪个模型可以帮助您以更好的方式捕获模式。您还可以组合每个模型的结果以获得组合结果——这有时会给我们带来更好的结果。顾名思义，AutoTS是一个用于自动化时间序列分析的Python库。AutoTS允许我们用一行代码训练多个时间序列模型，以便我们选择最适合的模型。该库是autoML的一部分，其目标是为初学者提供自动化库。需要Python3.6+NumpyPandasSklearnStatsmodelsProphetProphet是一个优秀的库，用于解决由Facebook的数据科学团队开发的时间序列相关问题，在R和Python中可用。这对于处理具有强烈季节性影响的时间序列特别有用，例如购买行为或销售预测。此外，它无需任何手动操作即可很好地处理杂乱数据。DartsDarts是Unit8.co开发的一个scikit-learn友好的Python包，用于预测时间序列。它包含大量模型，从ARIMA到深度神经网络，用于处理日期和时间相关数据。这个库的好处在于它还支持用于处理神经网络的多维类。它还允许用户结合来自多个模型和外部回归模型的预测，从而更容易回测模型。PyfluxPyflux是一个为Python构建的开源时间序列库。Pyflux选择一种更具概率的方法来解决时间序列问题。这种方法特别有利于预测等需要更完全不确定性的任务。用户可以建立一个概率模型，其中通过联合概率将数据和潜在变量视为随机变量。SktimeSktime是一个带有时间序列算法和工具的Python库，与scikit-learn兼容。它还具有分类模型、回归模型和时间序列预测模型。这个库的主要目标是让它与scikit-learn互操作。总结这些是处理时间序列问题时可以使用的一些Python库/框架。互联网上有一些更酷的时间序列库，如tsfresh、atspy、kats-你也可以检查一下。主要目标是根据你的需要选择一个库，即这个库能匹配你的问题陈述的需要。要了解有关这些库的更多信息，您可以查看它们各自的文档，因为它们中的大多数都是完全开源的。
