時間序列分析是一類經(jīng)典問題，常見的場景需求包括時序預(yù)測、時序分裂、時序聚類、異常檢測等。

作為一名算法工程師，當(dāng)調(diào)包遇上時間序列，有哪些好用的工具包呢？本篇首先介紹3個： tsfresh、tslearn、sktime 。

本 文主要對三個時序工具包進行簡要介紹， 包括工具包的功能定位、主要特色及優(yōu)劣勢等，并列出了相關(guān)的論 文、文檔和github地址可供詳細查閱 。

一、tsfresh

tsfresh工具包，是一個定位于時間序列特征工程相關(guān)的工具包，包括對時間序列自動提取特征、特征選擇、特征轉(zhuǎn)換等，最早于2018年由德國的幾名學(xué)者提出和開發(fā)。也正因為是定位于特征工程，所以 tsfresh本身是不能用于實現(xiàn)時序預(yù)測或者時序分類等任務(wù)的，但可以基于其特征提取的結(jié)果完成后續(xù)的操作 ，例如進行多時序聚類時首先應(yīng)用tsfresh完成對不同時序數(shù)據(jù)的特征是一個很好的選擇。

tsfresh接收的時序數(shù)據(jù)類型為pandas的dataframe格式，時序數(shù)據(jù)的組織形式既可以長表也可以是寬表。在其提取的特征中， 主要是關(guān)于時序數(shù)據(jù)的各項統(tǒng)計指標(biāo)，例如最大最小值、均值、中位數(shù)、峰值 個數(shù)等等，另外也可以自定義一些參數(shù)來提取更為定制化的特征，直接調(diào)用extract_features函數(shù)大概會得到幾百個維度的特征提取結(jié)果，其中根據(jù)具體的時序數(shù)據(jù)取值可能會有較多的空值。

從某種意義上講，tsfresh提取的特征是關(guān)于時序數(shù)據(jù)的元特征，所以對于時序分類或聚類可能會更加有用，但用于時序預(yù)測則意義不大。

關(guān)于tsfresh的相關(guān)參考信息如下：

二、tslearn

tslearn，從其名字中大體可以推斷出這是一個用于對時序數(shù)據(jù)（time series）的機器學(xué)習(xí)相關(guān)工具包，其實際定位也確實如此。

該工具包是基于scikit-learn、numpy和scipy進行二次開發(fā)的工具包，所以其本質(zhì)上可看做是將scikit-learn中的主要功能面向時序數(shù)據(jù)進行了定制化的轉(zhuǎn)換和開發(fā) ，例如數(shù)據(jù)預(yù)處理、分類、回歸（預(yù)測是一種特殊形式的回歸任務(wù)）以及聚類等功能，總體而言是功能相近、風(fēng)格一脈相承的。tslearn中主要支持的功能特性如下：

除了提供的功能與sklearn中的風(fēng)格和使用方式十分接近外，tslearn有一個比較具有優(yōu)勢的特性在于，tslearn可以與其他時序工具包進行整合使用，除了scikit-learn外，還有前面剛剛提到的tsfresh、后續(xù)要介紹的sktime以及pyts等等，某種程度上為了更加靈活快速的使用多個工具包提供了便利。

然而，就我個人而言，tslearn其實并沒有太大的吸引力，一方面其并未提供具有時序特色的獨立功能，而主要是對sklearn中相關(guān)模塊面向時序數(shù)據(jù)的定制化改造和適配，更別提時序數(shù)據(jù)中一系列經(jīng)典的統(tǒng)計學(xué)模型和近年來火熱的循環(huán)神經(jīng)網(wǎng)絡(luò)等；另一方面，該工具包的更新頻率是比較遲滯的，從github中可以看出其最近一次更新也在7個月前。

關(guān)于tslearn的相關(guān)參考信息如下：

論文：https://jmlr.org/papers/volume21/20-091/20-091.pdf文檔：https://tslearn.readthedocs.io/en/stable/quickstart.htmlGitHub：https://github.com/tslearn-team/tslearn/（1.9k star）

三、sktime

sktime與tslearn比較接近，也是一個scikit-learn風(fēng)格的時序分析工具包，主要功能大體也可分為時序預(yù)測、時序分類、時序回歸（與時序預(yù)測任務(wù)較為接近）、時序聚類等，其中有些功能屬于已經(jīng)比較成熟，而有些模塊則仍在實驗開發(fā)中。sktime工具包的功能特性如下：

雖然sktime與tslearn類似，同樣 延續(xù)了sklearn的API風(fēng)格（例如模型訓(xùn)練用fit、預(yù)測用predict，評分用score等等），但在功能上sktime卻并沒有太多sklearn中的元素，例如對于時序預(yù)測任務(wù)，sktime中主要提供的是經(jīng)典的統(tǒng)計學(xué)模型系列（ARIMA，ETS，以及比較火熱的prophet等），同時也提供了模型Ensemble能力和AutoML功能（可便于模型自動調(diào)參和優(yōu)化）。

與此同時，sktime也集結(jié)了一些深度學(xué)習(xí)的模型，包括Transformer等，這也為sktime提供了更強的競爭力。

關(guān)于sktime的相關(guān)參考信息如下：

四、小結(jié)

總體而言，三個時序工具包各有特色，提供的功能也互為補充：

• tslearn定位于時序數(shù)據(jù)的特征工程，可方便地快速完成特征提取、特征選擇與轉(zhuǎn)換等操作；
• tslearn堪稱是sklearn機器學(xué)習(xí)庫的時序版，本質(zhì)上可看做是將sklearn中的主要功能對時序數(shù)據(jù)進行了定制化開發(fā)和適配，使其更容易使用，同時也整合與其他主流工具包的相互轉(zhuǎn)換；
• sktime也延續(xù)了sklearn的API風(fēng)格，但在功能上則并不拘泥于sklearn中的功能元素，集成的主要是時序數(shù)據(jù)特有的模型，并加入了一些最新的功能模塊，例如Meta提出的時序預(yù)測模型Prophet以及深度學(xué)習(xí)相關(guān)模型等。

在實際使用過程中，三個工具包本無優(yōu)劣高下之分，需靈活選取調(diào)用，這樣才不失為一名優(yōu)秀的算法工程師調(diào)包俠。