资金流时序分析-03时间序列规则

1. base到底是什么意思？
   1.1 周期因子的第一种计算方法：1)除周均值 2）按列取中位数
   预测时的值就是base*中位数。从这个角度base就是一个固定值了，PPT中base来自最后一周每天的的平均值（=100）；
   1.2周期因子的第二种计算方法：1)获取每日（工作日或周末）均值，2）再除以整体均值。
   直接用最后一周的平均客流量作为base并不一定是最好的方法。也许最后三天或最后五天的均值能更好的反映最新的情况。但是，我们不能直接对最后三天客流量取均值（最后三天是周末，这样取的base就偏大了）。需要去掉周期性因素后，再取平均。具体做法，就是用客流量除以周期因子。
   

这样我们就可以取最后三天的平均，(108+91.4+120)/3=106.5，作为base。具体取多少天的，也要通过测试集的表现来确定。当然也可以按某些函数形式来给每天赋予不同的权重。

2. 每个月的预测计算方法。
   1)实质是将每个月的每天与一个星期的每天进行关联（加权平均），这个权重系数来自上面的一周内每天的周期因子。
   2)可以演变出基于一周周期因子的月份加权因子。
   

1、datetime64与date之间的数据转换，否则容易报错

total_balance = total_balance[(total_balance['date'] >= np.datetime64(datetime.date(2014,3,1))) & (total_balance['date'] < np.datetime64(datetime.date(2014, month_index, 1)))]

添加np.datetime64转换。
2、预测方法
1）先算翌日周期因子

    weekday_count['total_purchase_amt_weekdaymean'] *= weekday_count['date']   / len(np.unique(total_balance['month']))
    weekday_count['total_redeem_amt_weekdaymean'] *= weekday_count['date']  / len(np.unique(total_balance['month']))

2)按day进行加权相加，得到一个月每天的因子

day_rate = weekday_count.drop(['weekday','date'],axis=1).groupby('day',as_index=False).sum()

3）通过一个月每天的量除以对应的因子即可得到一个月每天的base

day_pre['total_purchase_amt'] /= day_pre['total_purchase_amt_weekdaymean']

4）基于base和日期因子即可得到最后的预测结果

 day_pre['total_purchase_amt'] *= day_pre['total_purchase_amt_weekdaymean']

3、训练集和测试集是如何划分的？