在网站后台管理系统里产品说明怎么添加图片做淘宝客网站备案要怎么写
文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。
Prophet 是一种基于加法模型的时间序列数据预测程序，在该模型中，非线性趋势与年、周、日季节性以及节假日效应相匹配。它最适用于具有强烈季节效应和多季历史数据的时间序列。先知对缺失数据和趋势变化具有很强的鲁棒性，通常能很好地处理异常值。
Prophet 是 Facebook 核心数据科学团队发布的开源软件。
快速开始
Python API
Prophet 遵循 sklearn 的模型 API。我们创建一个 Prophet 类的实例，然后调用它的 fit 和 predict 方法。
Prophet 的输入总是一个包含两列的数据框：ds 和 y。ds（日期戳）列应为 Pandas 期望的格式，理想情况下是日期的 YYYY-MM-DD 或时间戳的 YYYY-MM-DD HH:MM:SS。y 列必须是数值型，表示我们希望预测的测量值。
举个例子，我们来看 Peyton Manning 维基百科页面的每日浏览量的对数时间序列。我们使用 R 中的 Wikipediatrend 包抓取这些数据。Peyton Manning 提供了一个很好的示例，因为它展示了 Prophet 的一些特性，例如多重季节性、变化的增长率以及建模特殊日期（如 Manning 的季后赛和超级碗出场）的能力。CSV 文件可在此处获取。
首先，我们导入数据：
# Python
import pandas as pd
from prophet import Prophet
# Python
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')
df.head()
| DS | Y | |
|---|---|---|
| 0 | 2007-12-10 | 9.590761 |
| 1 | 2007-12-11 | 8.519590 |
| 2 | 2007-12-12 | 8.183677 |
| 3 | 2007-12-13 | 8.072467 |
| 4 | 2007-12-14 | 7.893572 |
我们通过实例化一个新的 Prophet 对象来拟合模型。任何预测过程的设置都传递给构造函数。然后调用其 fit 方法并传入历史数据框。拟合应耗时 1-5 秒。
# Python
m = Prophet()
m.fit(df)
预测是在具有包含待预测日期的 ds 列的数据框上进行的。您可以使用辅助方法 Prophet.make_future_dataframe 获取一个扩展到未来指定天数的合适数据框。默认情况下，它还将包括历史日期，因此我们将看到模型拟合情况。
# Python
future = m.make_future_dataframe(periods=365)
future.tail()
| DS | |
|---|---|
| 3265 | 2017-01-15 |
| 3266 | 2017-01-16 |
| 3267 | 2017-01-17 |
| 3268 | 2017-01-18 |
| 3269 | 2017-01-19 |
predict 方法将为 future 中的每一行分配一个预测值，该值被命名为 yhat。如果您传入历史日期，它将提供样本内拟合。这里的 forecast 对象是一个新的数据框，包括带有预测的 yhat 列，以及组件和不确定性区间的列。
# Python
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
| DS | YHAT | YHAT_LOWER | YHAT_UPPER | |
|---|---|---|---|---|
| 3265 | 2017-01-15 | 8.212625 | 7.456310 | 8.959726 |
| 3266 | 2017-01-16 | 8.537635 | 7.842986 | 9.290934 |
| 3267 | 2017-01-17 | 8.325071 | 7.600879 | 9.072006 |
| 3268 | 2017-01-18 | 8.157723 | 7.512052 | 8.924022 |
| 3269 | 2017-01-19 | 8.169677 | 7.412473 | 8.946977 |
您可以通过调用 Prophet.plot 方法并传入预测数据框来绘制预测图。
# Python
fig1 = m.plot(forecast)
如果您想查看预测组件，可以使用 Prophet.plot_components 方法。默认情况下，您将看到时间序列的趋势、年度季节性和周季节性。如果您包括节假日，您也会在这里看到它们。
# Python
fig2 = m.plot_components(forecast)
可以使用 plotly 创建预测和组件的交互式图表。您需要单独安装 plotly 4.0 或更高版本，因为它不会默认随 prophet 安装。您还需要安装 notebook 和 ipywidgets 包。
# Python
from prophet.plot import plot_plotly, plot_components_plotlyplot_plotly(m, forecast)
# Python
plot_components_plotly(m, forecast)
每个方法可用选项的更多详细信息可在文档字符串中找到，例如，通过 help(Prophet) 或 help(Prophet.fit)。
R API
在 R 中，我们使用常规的模型拟合 API。我们提供了一个执行拟合并返回模型对象的 prophet 函数。然后您可以在此模型对象上调用 predict 和 plot。
# R
library(prophet)
R[write to console]: Loading required package: RcppR[write to console]: Loading required package: rlang
首先，我们读取数据并创建结果变量。与 Python API 一样，这是一个具有 ds 和 y 列的数据框，分别包含日期和数值。ds 列应为日期的 YYYY-MM-DD 或时间戳的 YYYY-MM-DD HH:MM:SS。如上所述，我们在这里使用 Peyton Manning 维基百科页面的对数浏览量，可在此处获取。
# R
df <- read.csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')
我们调用 prophet 函数来拟合模型。第一个参数是历史数据框。其他参数控制 Prophet 如何拟合数据，并在本文档的后续页面中描述。
# R
m <- prophet(df)
预测是在具有包含待预测日期的 ds 列的数据框上进行的。make_future_dataframe 函数接受模型对象和要预测的周期数，并生成一个合适的数据框。默认情况下，它还将包括历史日期，以便我们可以评估样本内拟合。
# R
future <- make_future_dataframe(m, periods = 365)
tail(future)
ds
3265 2017-01-14
3266 2017-01-15
3267 2017-01-16
3268 2017-01-17
3269 2017-01-18
3270 2017-01-19
与 R 中的大多数建模过程一样，我们使用通用的 predict 函数来获取我们的预测。forecast 对象是一个包含预测值 yhat 列的数据框。它具有用于不确定性区间和季节性组件的附加列。
# R
forecast <- predict(m, future)
tail(forecast[c('ds', 'yhat', 'yhat_lower', 'yhat_upper')])
ds yhat yhat_lower yhat_upper
3265 2017-01-14 7.818359 7.071228 8.550957
3266 2017-01-15 8.200125 7.475725 8.869495
3267 2017-01-16 8.525104 7.747071 9.226915
3268 2017-01-17 8.312482 7.551904 9.046774
3269 2017-01-18 8.145098 7.390770 8.863692
3270 2017-01-19 8.156964 7.381716 8.866507
您可以使用通用的 plot 函数通过传入模型和预测数据框来绘制预测图。
# R
plot(m, forecast)
您可以使用 prophet_plot_components 函数将预测分解为趋势、周季节性和年度季节性。
# R
prophet_plot_components(m, forecast)
可以使用命令 dyplot.prophet(m, forecast) 使用 Dygraphs 创建预测的交互式图表。
每个方法可用选项的更多详细信息可在文档字符串中找到，例如，通过 ?prophet 或 ?fit.prophet。该文档也可在 CRAN 上的参考手册中找到。
风险提示与免责声明
本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。