Quick Start

# 快速开始 先知遵循sklearn模型API。我们创建一个Prophet类的实例，然后调用它fit和predict方法。 先知的输入总是dataframe格式的两列：ds和y（列名必须是ds和y）。ds列必须包含一个日期或日期时间， y列必须是数字，代表我们要预测的测量 例如：让我们来看看佩顿曼宁的维基百科页面的每日网页浏览时间。它提供了一个很好的例子，因为它说明了先知的一些功能，如多个季节性，不断变化的增长率，以及模拟特殊日子的能力（如曼宁季后赛和超级碗表演）。CSV数据可以[在这里下载](https://github.com/facebookincubator/prophet/blob/master/examples/example_wp_peyton_manning.csv) 首先我们将导入数据并对y变量进行log对数变换。

import pandas as pd
import numpy as np
from fbprophet import Prophet
%matplotlib inline

df = pd.read_csv('./examples/example_wp_peyton_manning.csv')
df['y'] = np.log(df['y'])
#df['ds']=pd.to_datetime(df['ds'])
df.head()
#df.tail()

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	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。预测过程的任何设置都
将传递给构造函数，然后你调用它的fit方法并传入历史数据dataframe

m=Prophet()
m.fit(df)

future = m.make_future_dataframe(periods=365)
#future.head()
future.tail()

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	ds
3265	2017-01-15
3266	2017-01-16
3267	2017-01-17
3268	2017-01-18
3269	2017-01-19

该predict方法将future的预测值分配每一行到yhat。如果你传入历史日期，它将提供样本内拟合，forecast对象是一个新的数据框，包含预测的列yhat，以及分量列和不确定性区间（指最大值最小值）。

forecast = m.predict(future) # 每次预测结果会有波动
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; }

	ds	yhat	yhat_lower	yhat_upper
3265	2017-01-15	8.210721	7.530825	8.943600
3266	2017-01-16	8.535794	7.831740	9.311551
3267	2017-01-17	8.323199	7.579130	9.125848
3268	2017-01-18	8.155820	7.410573	8.943443
3269	2017-01-19	8.167768	7.455376	8.931324

你可以通过调用该Prophet.plot方法并传递预测数据框来绘制预测。

m.plot(forecast);

如果你想查看预测的各个分量，可以使用Prophet.plot_componments方法。默认情况下，可以得到时间序列的趋势：年度季节性，每周季节性。如果你包含假期，它也将得到。

m.plot_components(forecast);

快速入门到这就结束了。主要讲了导入数据-拟合模型-待预测日期-预测方法-预测结果绘制-预测分量。