「原理篇」
解决痛点：Prophet如何通过Python实现？此篇文章，帮助你上手实现。
01 如何安装Prophet
首先，要安装包，fbprophet包依赖于pystan。由于包的安装有很多依赖，因此强烈建议用conda装。
conda install pystanpip install fbprophet
02 导入数据
在码代码之前，要先引入pandas、numpy、matplotlib等常规数据科学库，以及主角fbprophet。由于文件是通过excel存储的，因此还需先将excel导入，日期变更为date类型，并且将字段命名为“ds”和“y”（Prophet默认应用这两个字段）。
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom fbprophet import Prophetdata = pd.read_excel('./xxx.xlsx')data['date'] = pd.to_datetime(data['date'], format='%Y%m%d')data = data.rename(columns = {"date":"ds", "y":"y"})[["ds","y"]]data.head(5) #查看前五条记录data.tail(5) #查看后五条记录03 绘制原始趋势图
在模型搭建之前，需要先对数据历史趋势有一个宏观了解，绘制数据趋势图。
import plotly.express as pxfig = px.line(data, x="date", y="y")fig.show()
04 模型训练
Prophet的模型训练及预测，类似Sklearn的方法，训练fit()、预测predict()。这里由于我们了解数据的变动会受到季节、周、天的影响，存在一定的规律性，因此我们将这三个参数设置成True，并且采用中国的假期模式，其余参数均保持默认，代码如下：
model = Prophet(yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=True)model.add_country_holidays(country_name="CN")model.fit(data)
「原理篇」
growth：趋势函数设置，默认线性“linear”，可选非线性“logistic”。
changepoints：选择突变点，默认自动选择“None”。例如：双十一订单突增，指定突变点。
n_changepoints：突变点个数，默认“25个”。如果changepoints指定，则这个参数就废弃了；如果changepoints没指定，则会从输入的历史数据前80%中自动选取25个突变点。
changepoint_range：突变点数据范围，默认“80%”。同样，如果changepoints指定，则这个参数就废弃了。
changepoint_prior_scale: 调节“changepoints”发现强度，默认“0.05”。值越大对历史数据拟合程度越强，但会增加过拟合的风险。
yearly_seasonality: 数据是否有年季节性，默认“自动检测”。
weekly_seasonality: 数据是否有周季节性，默认“自动检测”。
daily_seasonality: 数据是否有天季节性，默认“自动检测”。
holidays：指定节假日，默认“None”，支持手动输入指定节假日。以DataFrame格式输入，涵盖：必须列【holiday(string)、ds(date)】、可选列【lower_window(int)、upper_window(int)，指定影响的前后窗口期】。
seasonality_mode: 季节性效应模式，默认加法模式“additive”，可选“multiplicative”乘法模式。
seasonality_prior_scale: 调节季节性效应模式强度，默认“10”。值越大，季节性对模型影响越大。
holidays_prior_scale: 调节节假日模式强度，默认“10”。值越大，节假日对模型影响越大。
05 模型预测
模型预测输出预测值、预测上限、预测下限等字段。
future = model.make_future_dataframe(periods=30)forecast = model.predict(future)
06 绘制分解图
模型提供预测输出的可视化展示，通过fbprophet自带的可视化组件完成。
from fbprophet.plot import plot_plotly, plot_components_plotlyfig1 = model.plot(forecast)fig1.savefig('temp1.png')同时支持趋势模型、周期模型、节假日模型的解耦。
fig2 = model.plot_components(forecast)fig2.savefig('temp2.png')
07 模型评估
评估模型的准确程度，通过RMSE（均方根误差）来度量y与y_predict的差异程度，值越小，拟合越好。
train_len = len(data["y"])rmse = np.sqrt(sum((data["y"] - forecast["yhat"].head(train_len)) ** 2) / train_len)print('RMSE Error in forecasts = {}'.format(round(rmse, 2)))
08 模型存储
以上流程实现了Prophet模型搭建，但考虑到未来我们还要复用通过此历史数据训练的模型，因此我们要将模型存储到本地，并在需要的时候将其导入。
# 模型保存with open('prophet_model.json', 'w') as md: json.dump(model_to_json(model), md)# 模型读取with open('prophet_model.json', 'r') as md: model = model_from_json(json.load(md))
09 经验建议
Prophet对缺失值友好，但对异常值敏感。异常值可设置成None，防止影响模型的拟合。
模型默认线性趋势，但如果数据按照log方式增长的，可调节为growth=”logistic”逻辑回归模型。
当我们预先知道某天会影响数据的整体走势，可以提前将此天设置成转折点（changepoint）。
在设定周期性时，模型默认按照年、星期、天设定，月和小时如需要自行设定。
针对节假日，可通过holiday来进行调节，针对不同的假期，可调整不同的前后窗口期，例如：春节7日，但是春运影响近30日。
以上就是本期的内容分享
如果你也对数据分析感兴趣，那就来关注我吧，更多「原创」文章，与你分享！！
微信公众号：小火龙说数据