fbprophet是facebook开源的时序数据预测包，提供了简洁的python和R api，可以对时序数据做一些预测，也提供了有些简单的趋势分析。更多细节可以看下官方文档。官方doc中给了一个数据集作为prophet的入门，这里我也只是按照官方的入门文档编写了的代码，很简单，只是把数据集换成了北京这8年来的每日温度数据，温度数我从网上爬取的，爬虫源码和数据可以从我github上找到。
代码语言：javascript复制# -*- coding: utf-8 -*-
# 首先导入我们需要的包，fbprophet没多少包依赖，pandas是为了读入数据的，pyplot是用来绘图的，fbprophet也支持直接绘图
import pandas as pd
import matplotlib.pyplot as plt
from fbprophet import Prophet因为爬虫爬到的数据是无序的，所以要重新排序，其实不排序也没关系，并不影响prophet的预测。倒是异常点对预测影响挺多的，异常点太多或者值太大对结果的准确率影响也非常大，如果数据中有异常数据点，可以直接删除掉，prophet有对缺失数据补齐的能力。
代码语言：javascript复制data = pd.read_csv('bjweather.csv')
data = data.sort_values(by=['date'])
data = data.reset_index()# 对数据做格式转化，prophet所需要的只有两列，分别是ds和y，这里我分别预测未来一个月的最小值和最大值。
dfmin = pd.DataFrame()
dfmin['ds'] = data['date']
dfmin['y'] = data['minT']
dfmax = pd.DataFrame()
dfmax['ds'] = data['date']
dfmax['y'] = data['maxT']
dfmax.head(10).dataframe tbody tr th:only-of-type { vertical-align: middle; }</p> <p> .dataframe tbody tr th { vertical-align: top; }</p> <p> .dataframe thead th { text-align: right; }
ds | y | |
|---|---|---|
0 | 2011-01-01 | 0 |
1 | 2011-01-02 | -2 |
2 | 2011-01-03 | 1 |
3 | 2011-01-04 | -1 |
4 | 2011-01-05 | -1 |
5 | 2011-01-06 | 0 |
6 | 2011-01-07 | 1 |
7 | 2011-01-08 | 1 |
8 | 2011-01-09 | -1 |
9 | 2011-01-10 | -1 |
因为我需要分别预测未来一个月的最低温度和最高温度，所以需要分别训练两个模型，分别是minModel和maxModel。prophet的api也特别简单，只需要把历史数据传给fit函数即可。
代码语言：javascript复制minModel = Prophet()
minModel.fit(dfmin)
maxModel = Prophet()
maxModel.fit(dfmax)预测的时候需要传入需要预测的日期，以及预测所用的历史数据日期，prophet提供了一个make_future_dataframe的方法，可以生成所需要的日期数据。periods默认是天，也可以加freq='H'，更改为其他时间粒度，我试了下，貌似最细时间粒度只能到小时。
代码语言：javascript复制futuremin = minModel.make_future_dataframe(periods=30)
futuremax = maxModel.make_future_dataframe(periods=30)
futuremin.tail().dataframe tbody tr th:only-of-type { vertical-align: middle; }</p> <p> .dataframe tbody tr th { vertical-align: top; }</p> <p> .dataframe thead th { text-align: right; }
ds | |
|---|---|
2948 | 2019-01-25 |
2949 | 2019-01-26 |
2950 | 2019-01-27 |
2951 | 2019-01-28 |
2952 | 2019-01-29 |
用predict方法就可以做出预测了，预测结果里包含'ds', 'trend', 'yhat_lower', 'yhat_upper', 'trend_lower', 'trend_upper', 'additive_terms', 'additive_terms_lower', 'additive_terms_upper','weekly', 'weekly_lower', 'weekly_upper', 'yearly', 'yearly_lower','yearly_upper', 'multiplicative_terms', 'multiplicative_terms_lower','multiplicative_terms_upper', 'yhat'，这些数据，具体某个数据的含义大家可以参考下prophet的官方文档，我这里只简单提下部分数据。
代码语言：javascript复制fcmin = minModel.predict(futuremin)
fcmax = maxModel.predict(futuremax)
fcmin[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
# 这几个数据分别是预测日期，预测结果值，预测结果上下界。.dataframe tbody tr th:only-of-type { vertical-align: middle; }</p> <p> .dataframe tbody tr th { vertical-align: top; }</p> <p> .dataframe thead th { text-align: right; }
ds | yhat | yhat_lower | yhat_upper | |
|---|---|---|---|---|
2948 | 2019-01-25 | -7.446095 | -10.686345 | -4.430015 |
2949 | 2019-01-26 | -7.410766 | -10.581734 | -4.291753 |
2950 | 2019-01-27 | -7.505449 | -10.612294 | -4.659177 |
2951 | 2019-01-28 | -7.434773 | -10.413356 | -4.334310 |
2952 | 2019-01-29 | -7.435442 | -10.549608 | -4.453615 |
fig0 = minModel.plot(fcmin)
除了预测结果和预测的上下界之外，prophet也可以提供一些趋势分析，包括年度趋势，月度趋势，和周趋势。从下面几张图里可以看出，北京在进8年里7-8月最热，1月最冷，大家肯定都知道。但8年里13年最冷，17年最暖和，周三平均温度最高，周一温差最大，周二最冷，这些估计没多少人知道了吧。
代码语言：javascript复制fig3 = minModel.plot_components(fcmin)
fig1 = maxModel.plot(fcmax)
fig2 = maxModel.plot_components(fcmin)
plt.plot(fcmin['ds'].tail(30), fcmin['yhat'].tail(30))
plt.plot(fcmax['ds'].tail(30), fcmax['yhat'].tail(30))
最后我把预测出的1月份最高温和最低温放在一个图里展示出来，大家看看就好，不必当真。
