Acea Smart Water Analytics
您能否预测水资源未来的的可用性？
每个数据集代表一种不同类型的水体。由于每个水体彼此不同，相关特征也不同。我们会注意到它的特征与湖泊的特征不同。这些差异是根据每个水体的独特行为和特征预期的。
步骤1：数据集读取
首先读取数据，并找到对应的日期列，
fromdatetimeimportdatetime,datedf['date']=pd.to_datetime(df['date'],format='%d/%m/%Y')
其中特征列为Rainfall、Temperature、Volume和Hydrometry，标签列为Depth to Groundwater。
步骤2：数据集分析
时间间隔
分析日期是否包含连续：通过date列进行diff，如果日期列没有缺失值则最大diff为1day。
df=df.sort_values(by='date')df['delta']=df['date']-df['date'].shift(1)df[['date','delta']].head()
缺失值分析
分析数据集是否包含空值，绘制的时间序列显示似乎有一些零值，我们将用nan值替换它们，然后再填充它们。
缺失值填充
使用NaN填充
使用均值填充
使用最近的样本填充
使用插值填充
平滑数据/重采样
重采样可以提供更多的数据信息。重采样有两种类型:
上采样：采样频率增加(例如，数天到数小时)。
下采样：采样频率降低(例如，从天到周)。
平稳性
一些时间序列模型，如ARIMA，假设基础数据是平稳的。平稳性描述了时间序列具有：
常数均值和均值不依赖于时间
常数方差和方差与时间无关
常数协方差和协方差与时间无关
平稳性检查可以通过三种不同的方法来完成:
视觉上：绘制时间序列并检查趋势或季节性
基本统计：拆分时间序列，比较每个分区的均值和方差
统计检验：扩充Dickey Fuller检验
特征工程
日期信息
周期编码
新的时间特性是周期性的，特征月周期为每年1至12个月。虽然每个月之间的差值在一年内增加1，但在两年内，月特性从12(12月)跳到1(1月)。
时序分解
时间序列分解涉及到将一个序列看作水平、趋势、季节性和噪声成分的组合。
等级：级数中的平均值。
趋势：数列中增加或减少的值。
季节性：在系列中重复的短期循环。
噪声：数列中的随机变化。
Lag特征
EDA分析
相关性分析
自相关分析
自相关函数(ACF): P=滞后周期，P帮助调整用于预测序列的拟合线，P对应于MA参数
部分自相关函数(PACF): D是时间序列达到平稳所需的差分变换次数。D对应AR参数。
构建模型
时间序列可以是单变量的也可以是多变量的：
单变量时间序列只有一个时间因变量。
多变量时间序列具有多个时间因变量。
数据划分方法
fromsklearn.model_selectionimportTimeSeriesSplit
单变量时序模型
Prophet
ARIMA
LSTM
多变量时序模型
Prophet
完整代码链接：/andreshg/timeseries-analysis-a-complete-guide/notebook
往期精彩回顾适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑AI基础下载机器学习交流qq群955171419，加入微信群请扫码：
