معرفی شرکت ها

autotimeseries-0.0.7

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.0.7
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1
0.0.7
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1

توضیحات

Scalable time series processing
ویژگی مقدار
سیستم عامل -
نام فایل autotimeseries-0.0.7
نام autotimeseries
نسخه کتابخانه 0.0.7
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Nixtla and contributors
ایمیل نویسنده fede.garza.ramirez@gmail.com
آدرس صفحه اصلی https://github.com/Nixtla/nixtla/tree/main/sdk/python-autotimeseries
آدرس اینترنتی https://pypi.org/project/autotimeseries/
مجوز MIT License
# autotimeseries > Nixtla SDK. Time Series Forecasting pipeline at scale. [![CI python sdk](https://github.com/Nixtla/nixtla/actions/workflows/python-sdk.yml/badge.svg)](https://github.com/Nixtla/nixtla/actions/workflows/python-sdk.yml) [![Python](https://img.shields.io/pypi/pyversions/autotimeseries)](https://pypi.org/project/autotimeseries/) [![PyPi](https://img.shields.io/pypi/v/autotimeseries?color=blue)](https://pypi.org/project/autotimeseries/) [![License](https://img.shields.io/badge/License-Apache%202.0-blue.svg)](https://github.com/Nixtla/nixtla/blob/main/sdk/python-autotimeseries/LICENSE) **autotimeseries** is a python SDK to consume the APIs developed in https://github.com/Nixtla/nixtla. ## Install ### PyPI `pip install autotimeseries` ## How to use Check the following examples for a full pipeline: - [M5 state-of-the-art reproduction](https://github.com/Nixtla/autotimeseries/tree/main/examples/m5). - [M5 state-of-the-art reproduction in Colab](https://colab.research.google.com/drive/1pmp4rqiwiPL-ambxTrJGBiNMS-7vm3v6?ts=616700c4) ### Basic usage ```python import os from autotimeseries.core import AutoTS autotimeseries = AutoTS(bucket_name=os.environ['BUCKET_NAME'], api_id=os.environ['API_ID'], api_key=os.environ['API_KEY'], aws_access_key_id=os.environ['AWS_ACCESS_KEY_ID'], aws_secret_access_key=os.environ['AWS_SECRET_ACCESS_KEY']) ``` #### Upload dataset to S3 ```python train_dir = '../data/m5/parquet/train' # File with target variables filename_target = autotimeseries.upload_to_s3(f'{train_dir}/target.parquet') # File with static variables filename_static = autotimeseries.upload_to_s3(f'{train_dir}/static.parquet') # File with temporal variables filename_temporal = autotimeseries.upload_to_s3(f'{train_dir}/temporal.parquet') ``` Each time series of the uploaded datasets is defined by the column `item_id`. Meanwhile the time column is defined by `timestamp` and the target column by `demand`. We need to pass this arguments to each call. ```python columns = dict(unique_id_column='item_id', ds_column='timestamp', y_column='demand') ``` #### Send the job to make forecasts ```python response_forecast = autotimeseries.tsforecast(filename_target=filename_target, freq='D', horizon=28, filename_static=filename_static, filename_temporal=filename_temporal, objective='tweedie', metric='rmse', n_estimators=170, **columns) ``` #### Download forecasts ```python autotimeseries.download_from_s3(filename='forecasts_2021-10-12_19-04-32.csv', filename_output='../data/forecasts.csv') ```


نیازمندی

مقدار نام
- pip
- packaging
- pandas
- pyarrow
- python-dotenv
- requests
- s3fs
- boto3


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl autotimeseries-0.0.7:

    pip install autotimeseries-0.0.7.whl


نصب پکیج tar.gz autotimeseries-0.0.7:

    pip install autotimeseries-0.0.7.tar.gz