Dados e séries de referência¶

Copie o nome e passe para get_data; o resultado é uma pd.Series com DatetimeIndex regular, pronta para o fit.

from autohybts.datasets import get_data

y = get_data("ozone")

Nome	O que é	Frequência	Pontos	Origem
`synthetic_daily`	sintética: tendência, sazonalidade semanal e ruído AR(1)	diária	730	gerada pela AutoHybTS
`white_noise_daily`	sintética: nível + ruído branco (controle negativo)	diária	730	gerada pela AutoHybTS
`intermittent_daily`	sintética: demanda esparsa (venda em ~25% dos dias, tamanho 1 + Poisson)	diária	730	gerada pela AutoHybTS
`commodity_price_daily`	sintética: preço diário de uma commodity (safra anual, choques persistentes e choque de oferta)	diária	1095	gerada pela AutoHybTS
`air_passengers`	passageiros aéreos, 1949–1960	mensal	144	`datasets::AirPassengers`
`nottem`	temperatura em Nottingham, 1920–1939	mensal	240	`datasets::nottem`
`us_acc_deaths`	mortes acidentais nos EUA, 1973–1978	mensal	72	`datasets::USAccDeaths`
`sunspots_monthly`	manchas solares, 1749–1983	mensal	2820	`datasets::sunspots`
`uk_gas`	consumo de gás no Reino Unido, 1960–1986	trimestral	108	`datasets::UKgas`
`johnson_johnson`	lucro por ação da Johnson & Johnson, 1960–1980	trimestral	84	`datasets::JohnsonJohnson`
`ozone`	ozônio total em Halley Bay (Antártida), 1956–2000	anual	45	`DAAG::ozone`
`nile`	vazão do rio Nilo, 1871–1970	anual	100	`datasets::Nile`
`lynx`	linces capturados no Canadá, 1821–1934	anual	114	`datasets::lynx`
`lake_huron`	nível do lago Huron, 1875–1972	anual	98	`datasets::LakeHuron`
`sunspots`	manchas solares, 1700–1988	anual	289	`datasets::sunspot.year`
`m4:D1`	M4; troque `D1` por `Y…`, `Q…`, `M…`, `W…`, `D…` ou `H…`	várias	—	competição M4 (GitHub)
`m3:N1402`	M3; exige o extra `datasets`	várias	—	pacote R `Mcomp` (CRAN)

Maiúsculas e minúsculas não importam (get_data("Ozone") também funciona). A lista está em autohybts.datasets.NAMED_SERIES.

De onde vêm os dados¶

A biblioteca não embute nenhuma série real: cada uma é baixada na primeira vez que é pedida, guardada em cache e lida dali nas vezes seguintes. São quatro origens:

Provedor	Fonte	Licença
sintéticas	geradas na hora por `autohybts.datasets.synthetic` (numpy, `seed=42`); nada é baixado	parte da AutoHybTS
`rdatasets`	Rdatasets: um site que publica em CSV os conjuntos de dados de centenas de pacotes R. O endereço de cada CSV vem do índice `Rdatasets/datasets.csv`	a do pacote R de origem
`m4`	CSVs oficiais da competição M4 no repositório Mcompetitions/M4-methods (pasta `Dataset`): `M4-info.csv`, `<Freq>-train.csv` e `<Freq>-test.csv`	dados da competição M4 (Makridakis et al.)
`m3`	arquivo do pacote R Mcomp 2.8 no CRAN, lido em Python pela biblioteca `rdata` (extra `datasets`); o R não é necessário	GPL-3 (pacote `Mcomp`); dados da competição M3 (IIF)

Na coluna Origem, pacote::nome é o pacote R e o nome do objeto, como se escreve no R. datasets é o pacote que já vem com o R; DAAG é o pacote do livro Data Analysis and Graphics Using R. Os dois chegam pelo Rdatasets, e o R não precisa estar instalado. get_data("ozone") equivale a load_dataset("rdatasets", package="DAAG", name="ozone", target="Annual", time_col="Year", frequency="YS"). O manifesto de cada arquivo no cache guarda a URL, a licença e a versão do provedor.

Para ver o catálogo completo de cada provedor:

from autohybts.datasets import list_datasets

list_datasets()                                  # provedores (sem download)
list_datasets("m4", subset="daily")
list_datasets("rdatasets", search="ozone")

Cache e segurança¶

Os arquivos vão para ~/.cache/autohybts/datasets (ou AUTOHYBTS_DATA_DIR), uma pasta por provedor. Nada é baixado na instalação nem no import.
Só HTTPS, só domínios aprovados por provedor, com tempo limite, poucas tentativas e tamanho máximo. Redirecionamentos também precisam ficar em HTTPS e nos domínios aprovados.
Nomes de pacote e de dataset viram nome de arquivo no cache e só aceitam letras, dígitos e ._+- (nada de /, \ ou ..).
Cada arquivo tem um manifesto (URL, data de acesso, SHA-256, tamanho, licença, versão). Um arquivo alterado depois do download é recusado (DatasetIntegrityError); os arquivos do M4 diário e o pacote Mcomp têm o checksum fixado no código.
offline=True usa só o cache e diz o que falta (DatasetUnavailableError).
Arquivos sem hash fixado são confiados no primeiro download; faça esse download numa rede confiável.

M4¶

from autohybts import AutoHybridExperiment
from autohybts.datasets import list_datasets, load_benchmark

list_datasets("m4", subset="daily")
series = load_benchmark("m4", subset="daily", series_id="D1")
series.train, series.test, series.descriptor.horizon

exp = AutoHybridExperiment(fh=series.descriptor.horizon,
                           test_size=len(series.test)).fit(series.full())

full() junta treino e teste oficial; test_size=len(series.test) sela o teste oficial. As datas do M4 vêm de M4-info.csv (anos com dois dígitos, sabidamente pouco confiáveis); quando não formam um índice válido, um calendário sintético é usado e descriptor.extra["index_source"] == "synthetic".

M3¶

Do pacote R Mcomp (CRAN, GPL-3). Ler o arquivo R requer o extra datasets.

from autohybts.datasets import load_benchmark

m3 = load_benchmark("m3", subset="monthly")      # BenchmarkDataset
panel = m3.panel(m3.series_ids[:5])              # PanelFrame, testes oficiais no fim

Outras séries do Rdatasets¶

Fora da tabela acima, o Rdatasets é um catálogo heterogêneo: a biblioteca não adivinha qual coluna é o tempo nem qual é o alvo. Olhe a tabela bruta e diga as duas, com a frequência:

from autohybts.datasets import load_dataset, raw_dataset

raw_dataset("rdatasets", package="datasets", name="AirPassengers")   # colunas: time, value
air = load_dataset("rdatasets", package="datasets", name="AirPassengers",
                   target="value", time_col="time", frequency="MS")
y = air.full()                                   # load_dataset devolve um BenchmarkSeries

Tempo em anos decimais (objetos ts do R) é convertido para YS, QS ou MS e conferido; datas em texto passam por pd.to_datetime.

Tabelas sem coluna de data, como airquality (só Month e Day), são montadas à mão a partir da tabela bruta:

import pandas as pd

d = raw_dataset("rdatasets", package="datasets", name="airquality")
idx = pd.to_datetime(dict(year=1973, month=d["Month"], day=d["Day"]))
oz = pd.Series(d["Ozone"].to_numpy(), index=idx, name="Ozone").asfreq("D")
oz = oz.interpolate(limit_direction="both")      # 37 dias faltando: escolha como tratar

Nota

Por padrão, missing="reject" recusa valores ausentes no fit (DataValidationError). Para preenchimento causal explícito, missing="ffill" usa somente o último valor observado; lacunas iniciais sem histórico continuam inválidas. A interpolação acima é uma escolha de preparação, que pode usar valores posteriores e não deve atravessar uma origem de validação. Veja Diagnóstico da série para o contrato de tratamento de ausentes.

Aviso

A licença de cada dataset do Rdatasets é a do pacote R de origem. A biblioteca não redistribui dados: consulte a origem antes de republicar.

Ver também

Séries com covariáveis (load_exog_dataset): veja Variáveis exógenas.

Tutoriais: 05. Benchmarks: M4, M3 e Rdatasets, 17. Estudo com as séries clássicas de benchmark.

Ver também

Tutorial executável do piloto M4: auditoria, custo e retomada. 22. Projeto com o M4 diário: seleção guardada, retomada e custo.