Dask

Dask 是一个用于 Python 的开源并行计算库。在本指南中，我们将解释如何在 Dask 之上使用 TimeGPT。

概要

1. 安装

2. 加载数据

3. 导入 Dask

4. 在 Dask 上使用 TimeGPT

​

1. 安装

通过 Fugue 安装 Dask。Fugue 提供了一个易于使用的分布式计算接口，允许用户在包括 Dask 在内的多个分布式计算框架之上执行 Python 代码。

注意

您可以通过 pip 安装 fugue

pip install fugue[dask]

如果在分布式 Dask 集群上执行，请确保所有 worker 都安装了 nixtla 库。

​

2. 加载数据

您可以将数据加载为 pandas DataFrame。在本教程中，我们将使用一个包含来自不同市场的每小时电价的数据集。

import pandas as pd

df = pd.read_csv(
    'https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short.csv',
    parse_dates=['ds'],
) 
df.head()

​

3. 导入 Dask

导入 Dask 并将 pandas DataFrame 转换为 Dask DataFrame。

import dask.dataframe as dd

dask_df = dd.from_pandas(df, npartitions=2)
dask_df

​

4. 在 Dask 上使用 TimeGPT

在 Dask 之上使用 TimeGPT 几乎与非分布式情况相同。唯一的区别是您需要使用 Dask DataFrame，这我们在上一步中已经定义了。

首先，实例化 NixtlaClient 类。

from nixtla import NixtlaClient

nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，请设置 base_url 参数

nixtla_client = NixtlaClient(base_url="you azure ai endpoint", api_key="your api_key")

然后使用 NixtlaClient 类中的任何方法，例如 forecast 或 cross_validation。

fcst_df = nixtla_client.forecast(dask_df, h=12)
fcst_df.compute().head()

📘 Azure AI 中的可用模型

如果您使用 Azure AI 端点，请务必设置 model="azureai"

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下，使用 timegpt-1。关于何时以及如何使用 timegpt-1-long-horizon，请参阅本教程。

cv_df = nixtla_client.cross_validation(dask_df, h=12, n_windows=5, step_size=2)
cv_df.compute().head()

您还可以在 Dask 之上使用带有 TimeGPT 的外部变量。为此，请参阅外部变量教程。请记住，您需要使用 Dask DataFrame，而不是 pandas DataFrame。