Python API

Prophet 遵循 sklearn 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 的输入始终是一个包含两列的数据帧：ds 和 y。ds（日期戳）列应为 Pandas 期望的格式，理想情况下，日期格式为 YYYY-MM-DD，时间戳格式为 YYYY-MM-DD HH:MM:SS。y 列必须是数字，表示我们希望预测的度量。

例如，让我们看一下关于 Peyton Manning 的维基百科页面的每日页面浏览量的对数时间序列。我们使用 R 中的 Wikipediatrend 包抓取了这些数据。Peyton Manning 提供了一个很好的例子，因为它说明了 Prophet 的一些功能，例如多重季节性、不断变化的增长率以及对特殊日子（例如 Manning 的季后赛和超级碗出场）进行建模的能力。该 CSV 文件可在此处 获得。

首先，我们将导入数据

1
2
3
4

# Python
import pandas as pd
from prophet import Prophet


1
2
3
4

# 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。传递给构造函数的任何设置都将用于预测过程。然后，您调用它的 fit 方法并传入历史数据帧。拟合应该需要 1-5 秒。

1
2
3
4

# Python
m = Prophet()
m.fit(df)

然后，在包含要进行预测的日期（位于 ds 列中）的数据帧上进行预测。您可以使用辅助方法 Prophet.make_future_dataframe 获取一个合适的、可以扩展到未来指定天数的数据帧。默认情况下，它还将包括历史记录中的日期，因此我们将看到模型拟合。

1
2
3
4

# 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，并将其命名为 yhat。如果传入历史日期，它将提供一个样本内拟合。forecast 对象是一个新的数据帧，其中包含具有预测值的 yhat 列，以及组成部分和不确定性区间的列。

1
2
3
4

# 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 方法并传入您的预测数据帧来绘制预测。

1
2
3

# Python
fig1 = m.plot(forecast)

png

如果您想查看预测组成部分，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、年度季节性和每周季节性。如果包含假日，您也会在此处看到它们。

1
2
3

# Python
fig2 = m.plot_components(forecast)

png

可以使用 plotly 创建预测和组成部分的交互式图形。您需要单独安装 plotly 4.0 或更高版本，因为它默认不会与 prophet 一起安装。您还需要安装 notebook 和 ipywidgets 包。

1
2
3
4
5

# Python
from prophet.plot import plot_plotly, plot_components_plotly

plot_plotly(m, forecast)


1
2
3

# Python
plot_components_plotly(m, forecast)

有关每种方法可用的选项的更多详细信息，请参见文档字符串，例如，通过 help(Prophet) 或 help(Prophet.fit)。

R API

在 R 中，我们使用常规模型拟合 API。我们提供了一个 prophet 函数，该函数执行拟合并返回一个模型对象。然后，您可以对此模型对象调用 predict 和 plot。

1
2
3

# R
library(prophet)


1
2
3

R[write to console]: Loading required package: Rcpp

R[write to console]: Loading required package: rlang

首先，我们读入数据并创建结果变量。与 Python API 中一样，这是一个包含 ds 和 y 列的数据帧，其中分别包含日期和数值。ds 列的日期格式应为 YYYY-MM-DD，时间戳格式应为 YYYY-MM-DD HH:MM:SS。与上述一样，此处我们使用 Peyton Manning 的维基百科页面的浏览量对数，可在此处 获得。

1
2
3

# 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帧。附加参数控制 Prophet 如何拟合数据，并在本文档后面的页面中进行了描述。

1
2
3

# R
m <- prophet(df)

在包含要进行预测的日期（位于 ds 列中）的数据帧上进行预测。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帧。默认情况下，它还将包括历史日期，因此我们可以评估样本内拟合。

1
2
3
4

# R
future <- make_future_dataframe(m, periods = 365)
tail(future)


1
2
3
4
5
6
7

             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，我们使用泛型 predict 函数来获取我们的预测。forecast 对象是一个数据帧，其中包含包含预测值的 yhat 列。它具有用于不确定性区间和季节性组成部分的附加列。

1
2
3
4

# R
forecast <- predict(m, future)
tail(forecast[c('ds', 'yhat', 'yhat_lower', 'yhat_upper')])


1
2
3
4
5
6
7

             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

您可以使用泛型 plot 函数来绘制预测，方法是传入模型和预测数据帧。

1
2
3

# R
plot(m, forecast)

png

您可以使用 prophet_plot_components 函数来查看分解为趋势、每周季节性和年度季节性的预测。

1
2
3

# R
prophet_plot_components(m, forecast)

png

可以使用命令 dyplot.prophet(m, forecast) 使用 Dygraphs 创建预测的交互式图。

有关每种方法可用的选项的更多详细信息，请参见文档字符串，例如，通过 ?prophet 或 ?fit.prophet。该文档也可在 CRAN 上的 参考手册中找到。

在 GitHub 上编辑