Prophet文档中文翻译--quick_start

最近在学习Prophet模型，看着Prophet的Jupyter Notebook上面的几个例子，试着运行了一遍，然后顺便尝试了把文档翻译成中文，方便以后查阅。由于水平有限，可能会有一些翻译不准确的地方，后期有新的理解再继续修改吧。

%matplotlib inline
import logging
logging.getLogger('fbprophet').setLevel(logging.ERROR)
import warnings
warnings.filterwarnings("ignore")

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：ds和y。 ds（datestamp）列应为Pandas预期的格式，理想情况下为YYYY-MM-DD的日期格式或YYYY-MM-DD HH：MM：SS的时间戳格式。 y列必须是数字，表示我们希望预测的度量。

作为示例，让我们看一下Peyton Manning的Wikipedia页面的日志，这个日志包含了页面每日浏览量的时间序列。我们使用R中的Wikipediatrend软件包来抓取这些数据.Peyton Manning提供了一个很好的例子，因为它说明了Prophet的一些特征，例如多个季节性，改变增长率，以及模拟特殊日子的能力（例如Manning’s playoff(曼宁的季后赛)和superbowl appearances(超级碗出场))。 CSV可在此处获得。

首先我们将导入数据：

import pandas as pd
from fbprophet import Prophet

df = pd.read_csv('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对象来训练模型。有关预测的任何设置都将被设置在构造函数中。然后调用其fit方法并传入历史数据帧。训练过程（Fitting）需要1-5秒。

m = Prophet()
m.fit(df)

<fbprophet.forecaster.Prophet at 0x1a7d5155a20>

然后在数据框（dataframe）上进行预测，其中列ds包含要进行预测的日期。您可以使用辅助方法Prophet.make_future_dataframe获得一个合适的数据帧，该数据帧将在未来延长指定的天数(指定预定天数)。默认情况下，它还会包含历史记录中的日期，然后我们将看到结合起来的（历史数据+预测数据框）的模型。

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方法将给未来每一个日期生成一个预测值，并将其命名为yhat。如果您传递历史日期，它将根据样本数据进行训练。此处的forecast对象是一个新的数据框，其中包含一个预测值的列，以及包含组件（对历史数据的分解）和不确定区间的列。

forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

	ds	yhat	yhat_lower	yhat_upper
3265	2017-01-15	8.212379	7.495058	8.922266
3266	2017-01-16	8.537381	7.828844	9.249592
3267	2017-01-17	8.324804	7.627442	9.059846
3268	2017-01-18	8.157475	7.507110	8.907231
3269	2017-01-19	8.169385	7.499621	8.867653

您可以通过调用Prophet.plot方法并传入预测数据帧并绘制图像。

fig1 = m.plot(forecast)

如果要查看预测的成分构成，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，年季节性和周季节性。如果你包括假期，你也会在这里看到。

fig2 = m.plot_components(forecast)

有关每种方法可用选项的更多详细信息，请参阅文档，例如，通过help(Prophet)或help(Prophet.fit)。