简化时间序列分析对于数据科学家来说
简化时间序列分析
编辑注：Jeff Tao是今年秋季ODSC West 2023的演讲嘉宾。一定要去参加他的演讲，题目是“什么是时间序列数据库，为什么我需要它？”
大多数数据科学家对时间序列数据的概念都很熟悉，并且经常与之工作。然而，时间序列数据库（TSDB）在数据科学界仍然是一种被低估的工具。尽管设置一个数据库来运行分析可能看起来很繁琐，但现代开源的时间序列数据库可以为任何运行大数据集上的时间序列分析的科学家提供重要的好处，而且所需的工作量比你想象的要少得多。
通常，时间序列分析要么是在CSV文件上进行，要么是在数据湖上进行。与传统数据库相比，这些可能看起来更简单，因为它们可以存储任何类型的数据，而不需要预定义的模式。然而，它们使得维护每个数据点的上下文变得更加困难，例如数据收集器的位置，收集时的温度或一系列其他需要保留的元素，以确保分析正确。此外，数据湖在数据组织方式上的灵活性可能导致查询或过滤数据变得困难。
另一方面，专用的时间序列数据库可以轻松地将这种类型的元数据以标签或标签的形式与每个时间序列相关联。数据清洗和转换也变得简单，例如，可以使用数据库中内置的插值或聚合函数快速执行多个数据集的时间戳对齐操作。使用类似SQL的查询语言可以轻松地检索数据，您可以按值、标签、时间范围等进行过滤。
TDengine是一个时间序列数据库的示例，它简化了对大规模时间序列数据进行分析的过程，使数据科学家可以更多地投入到他们的科学工作中。它可以快速处理和存储大规模数据集，并具有高性能和可扩展性。只需了解一些SQL知识，您就可以比传统的CSV文件更方便地管理数据。最重要的是，您只需要60秒就可以开始使用TDengine，而且其开源版本可以免费下载和使用。
默认情况下，TDengine包含各种时间序列函数，例如累计总和、时间加权平均和移动平均，您还可以创建Python或C中的自定义函数（UDF）。对于流行的Python生态系统项目，如pandas和Jupyter，TDengine提供了支持，确保您可以轻松地进出数据，并与Grafana等可视化工具无缝集成，以创新的方式展示您的工作并生成新的洞察。
如果您想了解更多关于时间序列数据库以及它们如何帮助您更高效地分析时间序列数据的信息，我鼓励您参加我即将举行的“什么是时间序列数据库，为什么我需要它？”的演讲。演讲将包括一段示例代码和演示，之后，我将很乐意回答您对该主题的任何问题。
关于作者：
Jeff Tao是TDengine的创始人兼首席执行官。他是一位技术专家和连续创业者，曾在Motorola和3Com进行移动互联网研究和开发，并创办了两家成功的科技创业公司。他预见到现在正在发生的机器和传感器产生的时间序列数据的爆炸性增长，于2017年5月创立了TDengine，开发了一种专为现代物联网和工业物联网业务而设计的高性能时间序列数据库。
