时间序列数据处理，不再使用pandas

本文概述了五个Python时间序列库：Darts、GluonTS、Sktime、pmdarima和Prophet/NeuralProphet。重点在于Darts和GluonTS库的数据结构以及它们如何处理Pandas数据框。

Darts

Darts库提供了一个名为TimeSeries的核心数据类，其数据结构包括时间、维度和样本。本文通过从长格式和宽格式Pandas DataFrame转换为Darts数据格式，展示了Darts的使用。例如，使用from_group_dataframe()函数可以将长格式数据转换为Darts格式，而TimeSeries.from_dataframe()则用于宽格式数据。对于单变量Pandas序列，可以使用.from_series()进行转换。Darts数据可以使用.pd_dataframe()和.all_values方法转换回Pandas DataFrame或Numpy数组。

GluonTS

GluonTS是由亚马逊开发的库，专门处理基于神经网络的时间序列建模。它通过PandasDataset.from_long_dataframe()和ListDataset()类将Pandas DataFrame转换为GluonTS数据格式。转换回Pandas DataFrame时，需要将GluonTS的Python字典列表转换为可迭代的形式，然后输出为Pandas DataFrame。

Sktime、pmdarima和Prophet/NeuralProphet

Sktime是与scikit-learn集成的库，它简化了时间序列数据的处理，而pmdarima基于statsmodels库，自动选择最佳ARIMA模型。Prophet是Facebook开发的库，易于使用，并拥有自动检测季节性模式的能力。NeuralProphet是基于Prophet的神经网络架构，用于单变量时间序列预测。这些库与Pandas紧密集成，因此用户不需要进行复杂的数据转换。

结论是，每个库都有其特点和优势，适用于不同的需求和场景。选择哪个库取决于对速度、集成以及模型熟悉程度的要求。