思维导图备注

AI算法工程师手册
首页 白天 夜间 BookChat 小程序 小程序 阅读
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

九、时间序列

 来源:华校专 浏览 758 扫码 分享 2020-06-07 18:05:06
  • 九、时间序列

    九、时间序列

    1. Pandas 提供了表示时间点、时间段、时间间隔等三种与时间有关的类型，以及元素为这些类型的索引对象。pandas还提供了许多与时间序列相关的函数。
    • 1. Python 中的时间
    • 2. 时间点 Timestamp
    • 3. 时间段 Period
    • 4. DatetimeIndex
    • 5. PeriodIndex
    • 6. resample 和频率转换
    当前内容版权归 华校专 或其关联方所有，如需对内容或内容相关联开源项目进行关注与资助，请访问 华校专 .
    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 介绍
    • 数学基础
      • 1.线性代数基础
        • 一、基本知识
        • 二、向量操作
        • 三、矩阵运算
        • 四、特殊函数
      • 2.概率论基础
        • 一、概率与分布
        • 二、期望和方差
        • 三、大数定律及中心极限定理
        • 五、常见概率分布
        • 六、先验分布与后验分布
        • 七、信息论
        • 八、其它
      • 3.数值计算基础
        • 一、数值稳定性
        • 二、梯度下降法
        • 三、二阶导数与海森矩阵
        • 四、牛顿法
        • 五、拟牛顿法
        • 六、 约束优化
      • 4.蒙特卡洛方法与 MCMC 采样
        • 一、蒙特卡洛方法
        • 二、马尔可夫链
        • 三、MCMC 采样
    • 统计学习
      • 0.机器学习简介
        • 一、基本概念
        • 二、监督学习
        • 三、机器学习三要素
      • 1.线性代数基础
        • 一、线性回归
        • 二、广义线性模型
        • 三、对数几率回归
        • 四、线性判别分析
        • 五、感知机
      • 2.支持向量机
        • 一、 线性可分支持向量机
        • 二、线性支持向量机
        • 三、非线性支持向量机
        • 四、支持向量回归
        • 五、SVDD
        • 六、序列最小最优化方法
        • 七、其它讨论
      • 3.朴素贝叶斯
        • 一、贝叶斯定理
        • 二、朴素贝叶斯法
        • 三、半朴素贝叶斯分类器
        • 四、其它讨论
      • 4.决策树
        • 一、 原理
        • 二、 特征选择
        • 三、生成算法
        • 四、剪枝算法
        • 五、CART 树
        • 六、连续值、缺失值处理
        • 七、多变量决策树
      • 5.knn
        • 一、k 近邻算法
        • 二、 kd树
      • 6.集成学习
        • 一、集成学习误差
        • 二、 Boosting
        • 三、Bagging
        • 四、集成策略
        • 五、多样性分析
      • 7.梯度提升树
        • 一、提升树
        • 二、xgboost
        • 三、LightGBM
      • 8.特征工程
        • 一、缺失值处理
        • 二、特征编码
        • 三、数据标准化、正则化
        • 四、特征选择
        • 五、稀疏表示和字典学习
        • 六、多类分类问题
        • 七、类别不平衡问题
      • 9.模型评估
        • 一、泛化能力
        • 二、过拟合、欠拟合
        • 三、偏差方差分解
        • 四、参数估计准则
        • 五、泛化能力评估
        • 六、训练集、验证集、测试集
        • 七、性能度量
        • 七、超参数调节
        • 八、传统机器学习的挑战
      • 10.降维
        • 一、维度灾难
        • 二、主成分分析 PCA
        • 三、核化线性降维 KPCA
        • 四、流形学习
        • 五、度量学习
        • 六、概率PCA
        • 七、独立成分分析
        • 八、t-SNE
        • 九、LargeVis
      • 11.聚类
        • 一、性能度量
        • 二、原型聚类
        • 三、密度聚类
        • 四、层次聚类
        • 五、谱聚类
      • 12.半监督学习
        • 一、生成式半监督学习方法
        • 二、半监督 SVM
        • 三、图半监督学习
        • 四、基于分歧的方法
        • 五、半监督聚类
        • 六、 总结
      • 13.EM算法
        • 一、示例
        • 二、EM算法原理
        • 三、EM算法与高斯混合模型
        • 四、EM 算法与 kmeans 模型
        • 五、EM 算法的推广
      • 14.最大熵算法
        • 一、最大熵模型MEM
        • 二、分类任务最大熵模型
        • 三、最大熵的学习
      • 15.隐马尔可夫模型
        • 一、隐马尔可夫模型HMM
        • 二、 HMM 基本问题
        • 三、 最大熵马尔科夫模型MEMM
      • 16.概率图与条件随机场
        • 一、概率图模型
        • 二、贝叶斯网络
        • 三、马尔可夫随机场
        • 四、条件随机场 CRF
      • 17.边际概率推断
        • 一、精确推断
        • 二、近似推断
      • 18.主题模型
        • 一、Unigram Model
        • 二、pLSA Model
        • 三、LDA Model
        • 四、LDA优化
        • 五、sentence-LDA
        • 六、模型讨论
    • 深度学习
      • 0.深度学习简介
        • 一、 介绍
        • 二、历史
      • 1.深度前馈神经网络
        • 一、基础
        • 二、损失函数
        • 三、输出单元
        • 四、隐单元
        • 五、结构设计
        • 六、历史小记
      • 2.反向传播算法
        • 一、链式法则
        • 二、反向传播
        • 三、算法实现
        • 四、自动微分
      • 3.正则化
        • 一、参数范数正则化
        • 十、其它相关
        • 二、显式约束正则化
        • 三、数据集增强
        • 四、噪声鲁棒性
        • 五、早停
        • 六、参数相对约束
        • 七、dropout
        • 八、对抗训练
        • 九、正切传播算法
      • 4.最优化基础
        • 一、代价函数
        • 二、神经网络最优化挑战
        • 三、 mini-batch
        • 四、基本优化算法
        • 五、自适应学习率算法
        • 六、二阶近似方法
        • 七、共轭梯度法
        • 八、优化策略和元算法
        • 九、参数初始化策略
        • 十、Normalization
        • 十一、Online Learning
      • 5.卷积神经网络
        • 一、卷积运算
        • 二、卷积层、池化层
        • 三、基本卷积的变体
        • 四、应用
        • 五、 历史和现状
      • 5.1.CNN之图片分类
        • 一、LeNet
        • 二、AlexNet
        • 三、VGG-Net
        • 四、Inception
        • 五、ResNet
        • 六、ResNet 变种
        • 七、SENet
        • 八、 DenseNet
        • 九、小型网络
      • 6.循环神经网络
        • 一、RNN计算图
        • 二、训练算法
        • 三、长期依赖
        • 四、常见 RNN 变种
      • 7.Transformer
        • 一、Transformer
        • 二、Universal Transformer
        • 三、Transformer XL
        • 四、GPT
        • 五、BERT
        • 六、ERNIE
        • 七、XLNet
        • 八、MT-DNN
        • 九、BERT 扩展
      • 8.词向量
        • 一、向量空间模型 VSM
        • 二、LSA
        • 三、Word2Vec
        • 四、GloVe
        • 五、FastText
        • 六、ELMo
        • 七、变种
      • 9.传统 CTR 预估模型
        • 一、LR 模型
        • 二、POLY2 模型
        • 三、FM模型
        • 四、FFM模型
        • 五、GBDT-LR 模型
        • 六、FTRL模型
        • 七、LS-PLM 模型
      • 10.神经网络 CTR 预估模型
        • 一、DSSM
        • 二、FNN
        • 三、PNN
        • 四、DeepCrossing
        • 五、Wide&Deep
        • 六、DCN
        • 七、DeepFM
        • 八、NFM
        • 九、AFM
        • 十、xDeepFM
        • 十一、ESMM
        • 十二、DIN
        • 十三、DIEN
        • 十四、DSIN
        • 十五、DICM
      • 11.Graph Embedding
        • 一、DeepWalk
        • 二、LINE
        • 三、GraRep
        • 四、TADW
        • 五、DNGR
        • 六、Node2Vec
        • 七、WALKLETS
        • 八、SDNE
        • 十、EOE
        • 九、CANE
        • 十一、metapath2vec
        • 十二、GraphGAN
        • 十三、struc2vec
        • 十四、GraphWave
        • 十五、NetMF
        • 十六、NetSMF
      • 12.Graph Embedding(续)
        • 十七、PTE
        • 十八、HNE
        • 十九、AANE
      • 13.图神经网络
        • 一、GNN
        • 二、GCN
        • 三、Fast GCN
        • 四、Semi-Supervised GCN
        • 五、分子指纹GCN
        • 六、GGS-NN
        • 七、PATCHY-SAN
        • 八、GraphSage
        • 九、GAT
      • 14.传统推荐算法
      • 15.工程实践指导原则
    • 工具
      • CRF++
        • 一、安装
        • 二、使用
        • 三、Python接口
        • 四、常见错误
      • lightgbm使用指南
        • 一、安装
        • 二、调参
          • 2.1 调参指导
          • 2.2 参数
        • 三、进阶
        • 四、API
          • 4.1 数据接口
          • 4.2 模型接口
          • 4.4 绘图API
          • 4.5 Booster API 转换
        • 五、Docker
      • xgboost使用指南
        • 一、安装
        • 二、调参
          • 2.1 调参指导
          • 2.2 参数
        • 三、外存计算
        • 四、 GPU计算
        • 五、单调约束
        • 六、 DART booster
        • 七、Python API
          • 7.1 数据接口
          • 7.2 模型接口
          • 7.3 绘图API
      • scikit-learn
        • 1.预处理
          • 一、特征处理
          • 二、特征选择
          • 三、字典学习
          • 四、PipeLine
        • 2.降维
          • 一、PCA
          • 二、MDS
          • 三、Isomap
          • 四、LocallyLinearEmbedding
          • 五、FA
          • 六、FastICA
          • 七、t-SNE
        • 3.监督学习模型
          • 一、线性模型
          • 二、支持向量机
          • 三、贝叶斯模型
          • 四、决策树
          • 五、KNN
          • 六 、AdaBoost
          • 七、梯度提升树
          • 八、Random Forest
        • 4.模型评估
          • 一、数据集切分
          • 二、性能度量
          • 三、验证曲线 && 学习曲线
          • 四、超参数优化
        • 5.聚类模型
          • 一、KMeans
          • 二、DBSCAN
          • 三、MeanShift
          • 四、AgglomerativeClustering
          • 五、BIRCH
          • 六、GaussianMixture
          • 七、SpectralClustering
        • 6.半监督学习模型
        • 7.隐马尔可夫模型
          • 一、Hmmlearn
          • 二、seqlearn
      • spark
        • 1.基础概念
        • 2.rdd使用
          • 一、概述
          • 二、创建 RDD
          • 三、转换操作
          • 四、行动操作
          • 五、其他方法和属性
          • 六、持久化
          • 七、分区
          • 八、混洗
        • 3.dataframe使用
          • 一、概述
          • 二、SparkSession
            • 2.1 属性
            • 2.2 方法
          • 三、DataFrame 创建
            • 3.1 从列表创建
            • 3.2 从 RDD 创建
            • 3.3 从 pandas.DataFrame 创建
            • 3.4 从数据源创建
            • 3.5 从 Hive 表创建
          • 四、 DataFrame 保存
            • 4.1 通用保存
            • 4.2 专用保存
          • 五、DataFrame
            • 5.1 属性
            • 5.2 方法
            • 5.2.3 其它方法
          • 六、Row
          • 七、Column
          • 八、GroupedData
          • 九、functions
            • 9.1 数学函数
            • 9.2 字符串函数
            • 9.3 日期函数
            • 9.4 聚合函数
            • 9.5 逻辑与按位函数
            • 9.6 排序、拷贝
            • 9.7 窗口函数
            • 9.8 其它
        • 4.累加器和广播变量
          • 一、累加器
          • 二、广播变量
      • numpy 使用指南
        • 一、 ndarray
          • 1. ndarray 对象的内存结构
          • 2. 数组的创建
          • 3. 数组的索引
          • 4. 操作多维数组
          • 5.打印数组
          • 6. Nan 和无穷大
        • 二、 ufunc 函数
          • 1. 广播
          • 2. 四则运算
          • 3. 比较运算
          • 4. 逻辑运算
          • 5. 位运算
          • 6. 自定义 ufunc 函数
          • 7. ufunc 对象的方法
          • 8. 数学函数
        • 三、 函数库
          • 1. 随机数库
          • 2. 统计量
          • 3. 分段函数
          • 4. 多项式
          • 5. 内积、外积、张量积
          • 6. 线性代数
        • 四、数组的存储和加载
          • 1. 二进制
          • 2. 文本文件
      • scipy 使用指南
        • 一、 常数和特殊函数
        • 二、 拟合与优化
        • 三、线性代数
        • 四、 统计
          • 1. 连续随机变量
          • 2. 离散随机变量
          • 3. 核密度估计
          • 4. 常见分布
        • 五、数值积分
        • 六、 稀疏矩阵
      • matplotlib 使用指南
        • 一、matplotlib配置
        • 二、 matplotlib Artist
          • 1. container Artist:
          • 2. primitive
        • 三、基本概念
          • 1. backend
          • 2. 交互式模式
          • 3. matplotlib的颜色
          • 4. matplotlib.cm
          • 5. matplotlib.colors
          • 6. matplotlib.colorbar
        • 四、布局
          • 1. 简单布局
          • 2. 使用 pyplot.subplot2grid() 函数
          • 3. 使用 GridSpec 和 SubplotSpec
        • 五、 Path
        • 六、 path effect
        • 七、坐标变换
          • 1. 用户的 data 坐标系
          • 2. Axes 坐标系
          • 3. 混合坐标系
          • 4. 利用坐标变换制造阴影效果
          • 5. 直角坐标系、对数坐标系、极坐标系
        • 八、 3D 绘图
        • 九、技巧
      • pandas 使用指南
        • 一、基本数据结构
          • 1. Series
          • 2. Index
          • 3. MultiIndex
          • 4. DataFrame
        • 二、 内部数据结构
        • 三、 下标存取
          • 1. [ ] 操作符
          • 2. loc/iloc/ix 存取器
          • 3. at/iat 存取器
          • 4. query 方法
          • 5. 多级索引
          • 6. 整数 label
        • 四、 运算
          • 1. 数值运算
          • 2. 排序
          • 3. 统计
        • 五、变换
          • 1. 索引和轴的变换
          • 2. 合并数据
          • 3. 索引旋转
        • 六、数据清洗
          • 1. 移除重复数据
          • 2. apply
          • 3. 缺失数据
          • 4. 离散化
        • 七、 字符串操作
        • 八、 聚合与分组
          • 1. 分组
          • 2. GroupBy对象
          • 3. 分组级运算
          • 4. 透视表和交叉表
        • 九、时间序列
          • 1. Python 中的时间
          • 2. 时间点 Timestamp
          • 3. 时间段 Period
          • 4. DatetimeIndex
          • 5. PeriodIndex
          • 6. resample 和频率转换
        • 十、 DataFrame 绘图
        • 十一、 移动窗口函数
        • 十二、 数据加载和保存
          • 1. 文本文件
          • 2. Json
          • 3. 二进制文件
          • 4. Excel 文件
          • 5. HTML 表格
          • 6. SQL
    暂无相关搜索结果！

      本文档使用 BookStack 构建

      展开/收起文章目录

      分享，让知识传承更久远

      文章二维码

      手机扫一扫，轻松掌上读

      文档下载

      • 普通下载
      • 下载码下载(免登录无限下载)
      你与大神的距离，只差一个APP
      APP下载
      请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
      PDF文档 EPUB文档 MOBI文档
      温馨提示 每天每在网站阅读学习一分钟时长可下载一本电子书，每天连续签到可增加阅读时长
      下载码方式下载：免费、免登录、无限制。 免费获取下载码

      微信小程序阅读

      BookChat 微信小程序阅读
      您与他人的薪资差距，只差一个随时随地学习的小程序

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度