先给看个酷炫的图
安装
官方的安装教程在这里但是，按照官方的安装教程是安装不成功的说起来都是痛，
以下是正确的安装步骤(python3.5 64位环境)：
- 安装C++编译器]Visual C++ Build Tools
- 安装pystan 推荐清华源(使用pip install pystan -i https://pypi.tuna.tsinghua.edu.cn/simple) 手打的，不保证对。
- 安装fbprophet,齐活。
快速使用
对原理有兴趣的，可以戳这里暂时我只把它当成一个黑箱子使用。
首先是数据，这里选用的是随机生成的web统计数据，首先我们加载数据：
1 2 3 4 5 6 7 8
| import pandas as pd import numpy as np from fbprophet import Prophet import matplotlib.pyplot as plt data_file = "data_trend.csv" df = pd.read_csv(data_file, encoding="utf-8") df.head()
|
主要有上面这几个字段。
我们想看看浏览次数随时间的变化情况
单独取出时段， 独立访客数据。另外我们的数据是倒序的，还需要按时间顺序回来，先画个图看看。
1 2 3 4
| df_pv = df[["时段", "独立访客"]] sort_df = df_pv.sort_values(by="时段") sort_df.set_index("时段").plot() plt.show()
|
能大体看出独立访客数随时间的变化趋势，但是这个图的图例显示不正常，在开头再加上这两行
1 2
| plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus']=False
|
简单来说就是定义图的字体。
预测
prophet的API有点类似scikit-learn，常规流程，先fit数据，然后predict新的趋势。
首先我们修改column名称创建第一个预测模型
1 2 3 4
| sort_df.columns = ["ds", "y"] sort_df['y'] = np.log(sort_df['y']) m1 = Prophet() m1.fit(sort_df)
|
使用make_future_dataframe告诉prophet需要预测多久以后的数据，在这个例子中，我们选择预测未来一年的独立访客数。
1 2 3
| futures1 = m1.make_future_dataframe(periods=365) forecast1 = m1.predict(futures1) forecast1[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
|
forecast1 是dataframe格式的数据，如下：
Prophet在做预测的时候做了log处理，还原后数据如下：
1 2 3 4 5 6 7 8 9
| print(np.exp(forecast1[['yhat', 'yhat_lower', 'yhat_upper']].tail())) console: yhat yhat_lower yhat_upper 630 10584.491634 212.320650 647084.467489 631 11077.641554 218.018125 671727.514255 632 11121.285237 219.600455 658814.011148 633 10834.162204 215.267186 660137.259109 634 10904.075380 201.501246 678710.749914
|
作图
略微有点崩溃，猜测原因是数据量太小，另外波动有异常，所以预测的最大最小值差距比较大。
1
| m1.plot_components(forecast1)
|
能看出天还有星期的一个趋势。基本介绍就到这了，要继续研究的可以戳这里
Have Fun~~
