共计 3568 个字符，预计需要花费 9 分钟才能阅读完成。
既然是玩转，就得 easy，在艰深搞懂外围原理的根底上，重在实际。
本文首先介绍 Prophet 模型根本应用，再介绍一个开箱即用的开源我的项目 –Streamlit_prophet，进一步升高 Prophet 应用门槛（甚至给经营、业务都会用~）
简介
工夫序列受 4 种成分影响：
- 趋势：宏观、长期、持续性的作用力
- 周期：比方商品价格在较短时间内，围绕某个均值高低稳定；
- 节令：变化规律绝对固定，并出现某种周期特色；“节令”不肯定按年计，每周、每天的不同时段的法则，也可称作季节性。
- 随机：随机的不确定性，也就是指随机过程 (Stochastic Process）。
4 种成分叠加起来就是对整个时序的影响，有 加法模型 和乘法模型：
- 加法模型：绝对独立，4 个成分间的影响较小；
- 乘法模型：相互影响更显著；
之前时序文章介绍了 AR、MA、ARIMA 等传统的时序模型，但用起来较麻烦，须要一直调整 d\p\q 三个参数，尽管能够通过“无脑”随机搜寻穿插验证找出适合的参数，但并不丝滑，就算是优良的数据分析师都会感觉头皮发麻~（哈哈哈，大佬勿喷）
Prophet，就是为上述场景量身定制的，间接通过参数去调整 4 种成分，简略易用，成果拉满（闪亮退场~）。
Prophet 应用
1、装置
这里的坑比拟多（win 下装置），网上也有很多爬坑记录，但有一种最简略的形式 –conda 装置：
conda install pystan
conda install prophet2、应用
根本用法
和 scikit-learn 的用法格调相似：
from prophet import Prophet
import pandas as pd
df = pd.read_csv('example_wp_log_peyton_manning.csv')
# 0、根本办法
# 创立预测器，拟合数据
m = Prophet()
m.fit(df)
# 设置预测框
future = m.make_future_dataframe(periods=365)
future.tail()
# 对将来工夫点进行预测，预测给出预测值和置信区间
forecast = m.predict(future)
forecast[['ds','yhat','yhat_lower','yhat_upper']].tail()
# 画图
fig1 = m.plot(forecast)
# 画出重量图
fig2 = m.plot_components(forecast)引入假期因子
# 1、对【假期和特地流动】进行建模
# 通过 holidays 参数，将假期因素退出模型
playoffs = pd.DataFrame({
'holiday': 'playoff',
'ds': pd.to_datetime(['2008-01-13', '2009-01-03', '2010-01-16',
'2010-01-24', '2010-02-07', '2011-01-08',
'2013-01-12', '2014-01-12', '2014-01-19',
'2014-02-02', '2015-01-11', '2016-01-17',
'2016-01-24', '2016-02-07']),
'lower_window': 0,
'upper_window': 1,
})
superbowls = pd.DataFrame({
'holiday': 'superbowl',
'ds': pd.to_datetime(['2010-02-07', '2014-02-02', '2016-02-07']),
'lower_window': 0,
'upper_window': 1,
})
holidays = pd.concat((playoffs, superbowls))
# 传入假期工夫构建预测器
m = Prophet(holidays=holidays)
forecast = m.fit(df).predict(future)
fig = m.plot_components(forecast)引入法定节假日因子
# 2、另外引入【法定节假日】，退出模型（通过 add_country_holidays 办法）m = Prophet(holidays=holidays)
m.add_country_holidays(country_name='US') # CN：中国法定节假日
m.fit(df)
forecast = m.predict(future)
fig = m.plot_components(forecast)季节性调整
应用“局部傅里叶和 ” 来预计季节性：
# 3、更改年季节性参数
# 年季节性，默认是 10；周季节性，默认是 3
# 减少傅立叶项的数量能够使季节性适应更快的变动周期，但也可能导致适度拟合
from prophet.plot import plot_yearly
m = Prophet(yearly_seasonality=20).fit(df)
a = plot_yearly(m)Prophet 默认：【每周】和【每年】的季节性，能够应用 add_seasonality 办法增加其余季节性，比方每月、每季度、每小时：
# 4、指定自定义季节性
# 敞开周季节性，退出月季节性
m = Prophet(weekly_seasonality=False)
m.add_seasonality(name='monthly', period=30.5, fourier_order=5)
forecast = m.fit(df).predict(future)
fig = m.plot_components(forecast)如果发现假期效应过拟合了，能够通过 holidays_prior_scale 参数调整(默认是 10)，升高该参数会削弱假期效应；seasonality_prior_scale，节令效应同理
m = Prophet(holidays=holidays, holidays_prior_scale=0.05).fit(df)
forecast = m.predict(future)
forecast[(forecast['playoff'] + forecast['superbowl']).abs() > 0][['ds', 'playoff', 'superbowl']][-10:]还有其余用法，不多介绍，可参考集体 github 上的代码示例，示例来源于 Prophet 官网文档。
Streamlit_prophet 部署
开源我的项目官网介绍：
Deploy a Streamlit app to train, evaluate and optimize a Prophet forecasting model visually.
可知，streamlit_prophet 是构建在 streamlit 上、基于prophet 时序预测模型的利用。。看官网视频介绍，感觉很好用，跑起来~
1、部署
和本地装置 prophet 一样，坑很多，但还是基于 conda 去装置就行。
创立虚拟环境：
conda create -n streamlit_prophet python=3.8
activate streamlit_prophet装置 streamlit_prophet：
conda install pystan
pip install -U streamlit_prophet
#启动服务
streamlit_prophet deploy dashboard本地拜访：http://127.0.0.1:8080/，浏览器看到如下界面即阐明部署胜利~
2、应用介绍
官网自带了一些数据示例，能疾速上手；遗憾的是，咱们应用 只能上传 csv 文件数据（限度了最大 200M），不能直连数仓数据。
对于数据列有抉择、过滤、抽样、荡涤模块：
调整潜在拐点、节令、节假日效应参数：
模型验证、预测：
3、模型后果
点击左上角运行预测选项，开始模型预测，左侧参数调整了，模型会主动重跑：
模型性能指标：
模型谬误剖析，第二个图中，离红线越远的点，预测误差越离谱（便于后续模型调整，误差最大工夫点，是否思考剔除异样数据）：
蓝色暗影是模型预测后果的置信区间（80%），红线是模型预计的趋势：
更多细节须要小伙伴们本人去尝试~ 这里不一一展现
小结
Streamlit_prophet是一个能大大简化时序预测的优良数据产品，对于数据分析师来说十分敌对，但最大毛病是不能直连数仓进行预测，有些遗憾~（看开发者后续会不会思考接入吧）。
但想要用好这类产品（不限于此产品），外围还是在于 理解业务、深刻了解时序模型、Prophet 建模办法。
参考：
- https://github.com/artefactor…
- https://facebook.github.io/pr…
- https://github.com/xihuishawp…
欢送关注集体公众号：DS 数说
原文链接：https://mp.weixin.qq.com/s/Kf…
