Предположим, что я индексировал по времени наблюдения группы переменных.
A B C D ... V day
16.50 14.00 53.00 45.70 ... 6.39 1
17.45 16.00 64.00 46.30 ... 6.00 2
18.40 12.00 51.00 47.30 ... 6.57 3
19.35 7.00 42.00 48.40 ... 5.84 4
20.30 9.00 34.00 49.50 ... 6.36 5
20.72 10.00 42.00 50.60 ... 5.78 6
21.14 6.00 45.00 51.90 ... 5.16 7
21.56 9.00 38.00 52.60 ... 5.62 8
21.98 2.00 32.00 53.50 ... 4.94 9
22.78 8.00 29.00 53.80 ... 6.25 10
...
На основе этого фрейма данных я хотел бы построить прогностическую модель для целевой переменной V, в которой предикторами являются некоторые другие переменные из предыдущих наблюдений, скажем, с временным горизонтом 
. That is, I would like to fit a model of this type
&space;+&space;%5Cvarepsilon&space;_n$$ "$$V_n = f(A_{n-1}, A_{n-2}, ..., A_{n-K}, B_{n-1}, ..., B_{n-K}, C_{n-1},..., C_{n-K} ) + \varepsilon _n$$")
,
where 
is the error, and 
is chosen from a certain class of functions (e.g. a some kind of a neural network or a tree based method).
Question Are there packages that allow me a flexible choice of a learning algorithm, possibly from other packages, while also doing necessary preprocessing? Something in the spirit of what Caret does.
Thoughts Of course I could add a bunch of columns to the data frame, say A1, A2, ..., AK, etc, where say A1 is the value of A on the previous day, A2 is the value of A from 2 days before, etc. After that, I could apply any package I'd like. The problem is that if my initial data frame is large, this new data frame is going to be many times larger (about times, to be precise). This makes such an approach very inefficient if is large.
Caret package does have the function called createTimeSlices, but it seems to be designed for univariate time-series. This question is similar to это более старый от 2009 года. Рекомендуемые там пакеты, похоже, не совсем соответствуют тому, что я описал выше. Мне было интересно, появились ли другие инструменты с тех пор. Буду также признателен за любую информацию, если что-то подобное существует в python.