【干货书】实用时间序列分析：使用Python掌握时间序列数据处理、可视化和建模

这本书介绍了使用Python进行时间序列分析。我们的目标是给您一个学科基本概念的清晰概述，并描述将适用于行业中常见的分析用例的有用技术。由于有太多项目需要基于过去数据的趋势分析和预测，时间序列分析是任何现代数据科学家知识库中的一个重要工具。本书将为您提供工具和技术，使您能够自信地思考问题，并在时间序列预测中提出解决方案。为什么Python ?Python正迅速成为跨不同行业部门的数据科学项目的首选。大多数最先进的机器学习和深度学习库都有一个Python API。因此，许多数据科学家更喜欢使用Python来实现由数据处理、模型构建和模型验证组成的整个项目流程。此外，Python提供了易于使用的api来处理、建模和可视化时间序列数据。此外，Python已经成为web应用程序后端开发的流行语言，因此对更广泛的软件专业人员具有吸引力。现在，让我们来看看你能从这本书的每一章中学到什么。

https://www.packtpub.com/product/practical-time-series-analysis/9781788290227

第一章，时间序列的介绍，开始讨论三种不同类型的数据集-横断面，时间序列和面板。讨论了从横断面到时间序列的转变以及数据分析的附加复杂性。描述了使时间序列数据具有特殊性的特殊数学性质。几个示例演示了如何使用探索性数据分析来可视化这些属性。

第二章，理解时间序列数据，涵盖了三个主题，先进的预处理和可视化的时间序列数据，通过重采样，分组，和移动平均线的计算;平稳性和统计假设检验来检测时间序列的平稳性以及对非平稳时间序列进行平稳化的各种时间序列分解方法。

第三章，基于指数平滑的方法，涵盖了基于平滑的模型使用Holt-Winters方法的一阶捕获水平，二阶平滑水平和趋势，并说明更高阶平滑，捕捉水平，趋势和季节的时间序列数据集。

第四章，自回归模型，讨论了预测的自回归模型。本章详细介绍了移动平均(MA)、自回归(AR)、自回归移动平均(ARMA)和自回归综合移动平均(ARIMA)的实现，以在预测过程中捕捉时间序列数据中不同程度的干扰。

第五章，时间序列预测的深度学习，讨论了最近的深度学习算法，可以直接用于开发时间序列数据的预测模型。递归神经网络(RNN)是对数据序列进行建模的一种自然选择。在本章中，将介绍不同的RNN，如香草RNN、门控循环单元和长短期记忆单元，以开发时间序列数据的预测模型。在概念上讨论了发展这些rnn所涉及的数学公式。使用Python的' keras '深度学习库解决了案例研究。