pmdarima

Pmdarima（最初名为pyramid-arima，是'py'和'arima'的字母重组）是一个统计库，旨在填补Python时间序列分析能力的空白。其功能包括：

• 相当于R语言中auto.arima的功能
• 一系列平稳性和季节性的统计检验
• 时间序列工具，如差分和逆差分
• 多种内生和外生变量转换器和特征提取器，包括Box-Cox和傅里叶变换
• 季节性时间序列分解
• 交叉验证工具
• 丰富的内置时间序列数据集，用于原型设计和示例
• 类似scikit-learn的管道，用于整合估计器并促进生产化

Pmdarima在底层封装了statsmodels，但设计了一个对有scikit-learn背景的用户来说更熟悉的接口。

安装

pip

Pmdarima在pypi上为Windows、Mac和Linux（manylinux）提供了二进制和源代码分发版本，包名为pmdarima，可以通过pip下载：

pip install pmdarima

conda

Pmdarima也为Mac和Linux提供了通过conda安装的版本，可以按以下方式安装：

conda config --add channels conda-forge
conda config --set channel_priority strict
conda install pmdarima

**注意：**我们不维护自己的Conda二进制文件，它们由https://github.com/conda-forge/pmdarima-feedstock维护。有关在Conda上使用Pmdarima的更多文档，请参见该仓库。

快速入门示例

在 wineind 数据集上拟合一个简单的自动 ARIMA 模型：

import pmdarima as pm
from pmdarima.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt

# 加载并分割数据
y = pm.datasets.load_wineind()
train, test = train_test_split(y, train_size=150)

# 拟合模型
model = pm.auto_arima(train, seasonal=True, m=12)

# 进行预测
forecasts = model.predict(test.shape[0])  # 预测未来 N 步

# 可视化预测结果（蓝色=训练数据，绿色=预测）
x = np.arange(y.shape[0])
plt.plot(x[:150], train, c='blue')
plt.plot(x[150:], forecasts, c='green')
plt.show()

<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/17a804ee-6c42-40c0-9de8-9b9e90a779d4.png" alt="Wineind 示例"/>

在 sunspots 数据集上拟合一个更复杂的管道，将其序列化，然后从磁盘加载以进行预测：

import pmdarima as pm
from pmdarima.model_selection import train_test_split
from pmdarima.pipeline import Pipeline
from pmdarima.preprocessing import BoxCoxEndogTransformer
import pickle

# 加载并分割数据
y = pm.datasets.load_sunspots()
train, test = train_test_split(y, train_size=2700)

# 定义并拟合管道
pipeline = Pipeline([
    ('boxcox', BoxCoxEndogTransformer(lmbda2=1e-6)),  # lmbda2 避免负值
    ('arima', pm.AutoARIMA(seasonal=True, m=12,
                           suppress_warnings=True,
                           trace=True))
])

pipeline.fit(train)

# 像在 scikit-learn 中一样序列化模型：
with open('model.pkl', 'wb') as pkl:
    pickle.dump(pipeline, pkl)
    
# 加载并无缝进行预测：
with open('model.pkl', 'rb') as pkl:
    mod = pickle.load(pkl)
    print(mod.predict(15))
# [25.20580375 25.05573898 24.4263037  23.56766793 22.67463049 21.82231043
# 21.04061069 20.33693017 19.70906027 19.1509862  18.6555793  18.21577243
# 17.8250318  17.47750614 17.16803394]

可用性

pmdarima 在 PyPi 上提供了预构建的 Wheel 文件，适用于 Python 3.7+ 的以下平台：

• Mac（64 位）
• Linux（64 位 manylinux）
• Windows（64 位）
  • 32 位 wheel 文件适用于 pmdarima 2.0.0 以下版本和 Python 3.10 以下版本

如果您的平台没有对应的 wheel 文件，您仍然可以通过 pip install 安装，它将从源代码分发包构建，但您需要 cython>=0.29 和 gcc（Mac/Linux）或 MinGW（Windows）来从源代码构建包。

请注意，旧版本（<1.0.0）以 "pyramid-arima" 的名称提供，可以通过以下方式使用 pip 安装：

# 旧版警告：
$ pip install pyramid-arima
# python -c 'import pyramid;'

但不推荐使用这种方式。

文档

您的所有问题以及更多内容（包括示例和指南）都可以在 pmdarima 文档 中找到答案。如果没有，随时可以提出问题。