Essas bibliotecas, como pandas, Numpy, StatsModels e Scikit-Learn, fornecem várias funções e ferramentas adaptadas aos desafios exclusivos de trabalhar com dados dependentes do tempo.Muitas tarefas comuns, como carregamento de dados, limpeza, transformação e visualização, já foram implementadas e compartilhadas pela comunidade Python.Para explorar mais detalhes sobre cada modelo, incluindo suas formulações matemáticas, pontos fortes, limitações e casos de uso adequados, leia nossa postagem no blog, o que é a previsão de séries temporais?No Python, você pode aproveitar várias técnicas e bibliotecas para limpar dados de séries temporais e lidar com problemas comuns, como valores ausentes, outliers ou inconsistências.Uma escolha popular é usar o Pandas, uma poderosa biblioteca de manipulação de dados que fornece uma maneira conveniente de carregar, transformar e analisar dados de séries temporais.
Fonte: https://www.timescale.com/blog/how-to-work-with-time-series-in-python/
