pytimetk

时间序列分析更简单、更快速、更有趣。Pytimetk。

请在GitHub上为我们点亮⭐（只需2秒钟，但意义重大）。

介绍pytimetk：为所有人简化时间序列分析

时间序列分析在许多领域都是基础，从商业预测到科学研究。虽然Python生态系统提供了像pandas这样的工具，但它们有时可能过于冗长，且并非针对所有操作进行了优化，尤其是在复杂的基于时间的聚合和可视化方面。

这就是pytimetk的用武之地。pytimetk融合了易用性和计算效率，大大简化了时间序列操作和可视化的过程。通过利用polars后端，你可以体验到从3倍到惊人的3500倍的速度提升。让我们深入比较分析。

同样，plot_timeseries()大大简化了绘图过程，将通常需要16行matplotlib代码的内容封装成pytimetk中仅2行的命令，而不牺牲定制性或质量。使用plotly和plotnine引擎，你可以用几行代码创建交互式图表和精美的静态可视化。

对于日历特征，pytimetk提供了augment_timeseries_signature()，减少了30多行pandas dt提取。对于滚动特征，pytimetk提供了augment_rolling()，速度比pandas快10倍到3500倍。它还提供pad_by_time()来填补时间序列数据中的空缺，以及anomalize()来检测和纠正时间序列数据中的异常。

加入时间序列分析的革命。减少代码复杂性，提高生产力，利用pytimetk为你的工作流程带来的速度。

在我们的pytimetk主页探索更多。

安装

使用pip安装最新稳定版的pytimetk：

pip install pytimetk

或者你可以安装开发版本：

pip install git+https://github.com/business-science/pytimetk.git

快速开始：

这是测试summarize_by_time函数的简单代码：

import pytimetk as tk
import pandas as pd

df = tk.datasets.load_dataset('bike_sales_sample')
df['order_date'] = pd.to_datetime(df['order_date'])

df \
    .groupby("category_2") \
    .summarize_by_time(
        date_column='order_date', 
        value_column= 'total_price',
        freq = "MS",
        agg_func = ['mean', 'sum'],
        engine = "polars"
    )

文档

从pytimetk文档开始

• 📈 概览

• 🏁 入门

• 🗺️ 初学者指南

• 📘使用PyTimeTK的应用数据科学教程

• 📄 API参考

开发者（贡献者）：安装

要使用Poetry安装pytimetk，请按以下步骤操作：

1. 前提条件

确保你的系统上安装了Python 3.9或更高版本。

2. 安装Poetry

要安装Poetry，你可以使用Poetry提供的官方安装程序。不要使用pip。

3. 克隆仓库

从GitHub克隆pytimetk仓库：

git clone https://github.com/business-science/pytimetk

4. 安装依赖

使用Poetry安装包及其依赖：

poetry install

或者你可以使用poetry创建一个虚拟环境并安装依赖

poetry shell
poetry install

🏆 更多即将到来...

我们正处于开发的早期阶段。但是，Python中pytimetk的潜力已经显而易见。🐍

• 请在GitHub上给我们⭐ 点赞（只需2秒钟，对我们意义重大）。
• 如需提出请求，请查看我们的项目路线图 GH Issue #2。您可以在那里提出请求。
• 想要贡献？请查看我们的贡献指南。