Dask

!pip install -Uqq nixtla fugue[dask]

from nixtla.utils import in_colab

IN_COLAB = in_colab()

if not IN_COLAB:
    from nixtla.utils import colab_badge
    from dotenv import load_dotenv

在Dask上分布式运行TimeGPT

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 上使用 TimeGPT。

大纲：

安装
加载数据
导入 Dask
在 Dask 上使用 TimeGPT

if not IN_COLAB:
    load_dotenv()
    colab_badge('docs/tutorials/18_computing_at_scale_dask_distributed')

1. 安装

通过Fugue安装Dask。Fugue提供了一种易于使用的分布式计算接口，使用户能够在多个分布式计算框架（包括Dask）上执行Python代码。

Note

您可以使用 pip 安装 fugue：

pip install fugue[dask]

如果在分布式的 Dask 集群上执行，请确保 nixtla 库在所有工作节点上都已安装。

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()

	unique_id	ds	y
0	BE	2016-10-22 00:00:00	70.00
1	BE	2016-10-22 01:00:00	37.10
2	BE	2016-10-22 02:00:00	37.10
3	BE	2016-10-22 03:00:00	44.75
4	BE	2016-10-22 04:00:00	37.10

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

Dask DataFrame Structure:

	unique_id	ds	y
npartitions=2
0	string	string	float64
4200	...	...	...
8399	...	...	...

Dask Name: to_pyarrow_string, 2 graph layers

4. 在Dask上使用TimeGPT

使用 Dask 上的 TimeGPT 与非分布式案例几乎相同。唯一的区别是您需要使用一个 Dask 数据框，我们已经在上一步中定义了它。

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="你的azure ai端点", api_key="你的api_key")

if not IN_COLAB:
    nixtla_client = NixtlaClient()

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()

	unique_id	ds	TimeGPT
0	BE	2016-12-31 00:00:00	45.190453
1	BE	2016-12-31 01:00:00	43.244446
2	BE	2016-12-31 02:00:00	41.958389
3	BE	2016-12-31 03:00:00	39.796486
4	BE	2016-12-31 04:00:00	39.204533

📘 Azure AI 中可用的模型

如果您正在使用 Azure AI 端点，请确保设置 model="azureai"：

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

对于公共 API，我们支持两个模型：timegpt-1 和 timegpt-1-long-horizon。

默认使用 timegpt-1。请参见本教程了解如何以及何时使用 timegpt-1-long-horizon。

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

	unique_id	ds	cutoff	TimeGPT
0	BE	2016-12-30 04:00:00	2016-12-30 03:00:00	39.375439
1	BE	2016-12-30 05:00:00	2016-12-30 03:00:00	40.039215
2	BE	2016-12-30 06:00:00	2016-12-30 03:00:00	43.455849
3	BE	2016-12-30 07:00:00	2016-12-30 03:00:00	47.716408
4	BE	2016-12-30 08:00:00	2016-12-30 03:00:00	50.31665

您还可以在 Dask 之上使用 TimeGPT 处理外生变量。为此，请参考外生变量教程。请记住，不要使用 pandas DataFrame，而是需要使用 Dask DataFrame。

Give us a ⭐ on Github