R Python中时间序列的时间分解
我正试图找到一个能够对时间序列进行时间分解的包。R中有一个名为tempdisagg的包 有人知道python中有类似的包吗R Python中时间序列的时间分解,r,python-3.x,time-series,rpy2,sklearn-pandas,R,Python 3.x,Time Series,Rpy2,Sklearn Pandas,我正试图找到一个能够对时间序列进行时间分解的包。R中有一个名为tempdisagg的包 有人知道python中有类似的包吗 如果这个包在python中不存在,那么有没有一个可用的示例,可以让人将该包中的这些函数从R调用到python中 我创建了一个名为的开源Python包,它基于R tempdisagg包。该包实现了基本的Chow-Lin和Litterman方法。它还允许基本平均值、总和、第一次和最后一次转换选择,如R包 给定R中的以下函数调用,以将sales.a分解为exports.q的函数
如果这个包在python中不存在,那么有没有一个可用的示例,可以让人将该包中的这些函数从R调用到python中 我创建了一个名为的开源Python包,它基于R tempdisagg包。该包实现了基本的Chow-Lin和Litterman方法。它还允许基本平均值、总和、第一次和最后一次转换选择,如R包 给定R中的以下函数调用,以将
sales.a
分解为exports.q的函数:
model <- td(sales.a ~ 0 + exports.q,method="chow-lin-maxlog",conversion="sum")
其中,预期的_数据集
是具有以下格式的数据帧:
index grain X y
0 1972 1 1432.63900 NaN
1 1972 2 1456.89100 NaN
2 1972 3 1342.56200 NaN
3 1972 4 1539.39400 NaN
4 1973 1 1535.75400 NaN
5 1973 2 1578.45800 NaN
6 1973 3 1574.72400 NaN
7 1973 4 1652.17100 NaN
8 1974 1 2047.83400 NaN
9 1974 2 2117.97100 NaN
10 1974 3 1925.92600 NaN
11 1974 4 1798.19000 NaN
12 1975 1 1818.81700 136.702329
13 1975 2 1808.22500 136.702329
14 1975 3 1649.20600 136.702329
15 1975 4 1799.66500 136.702329
16 1976 1 1985.75300 151.056074
17 1976 2 2064.66300 151.056074
18 1976 3 1856.38700 151.056074
19 1976 4 1919.08700 151.056074
.. ... ... ... ...
152 2010 1 19915.79514 988.309676
153 2010 2 19482.48000 988.309676
154 2010 3 18484.64900 988.309676
155 2010 4 18026.46869 988.309676
156 2011 1 19687.52100 NaN
157 2011 2 18913.06608 NaN
这里X是exports.q
,y是sales.a
输出<代码>最终分解的输出
如下所示,其中y\u hat
是分解的销售额:
index grain X y y_hat
0 1972 1 1432.639 NaN 21.656879
1 1972 2 1456.891 NaN 22.219737
2 1972 3 1342.562 NaN 20.855413
3 1972 4 1539.394 NaN 23.937916
4 1973 1 1535.754 NaN 24.229008
编辑-如果有人需要帮助将他们的数据放入我的软件包中,请随时在软件包中提出问题。我建议的一般方法是在使用rpy2的Jupyter笔记本中使用R magics。您只需将输入数据帧从Python导入到R,然后从R输出到Python,虽然软件包特定的代码仍然是用R.@krassowski编写的,但您是否有关于此软件包或类似软件包的良好教程,可以与他人分享如何使用?请具体说明您的lib或任何提及的链接如何能够准确地帮助回答问题。感谢您的澄清。我已经添加了库函数的详细信息。这够了吗?现在看起来好多了;)
index grain X y y_hat
0 1972 1 1432.639 NaN 21.656879
1 1972 2 1456.891 NaN 22.219737
2 1972 3 1342.562 NaN 20.855413
3 1972 4 1539.394 NaN 23.937916
4 1973 1 1535.754 NaN 24.229008