Python基于Prophet实现时间序列数据趋势周期特征提取项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

Prophet是Facebook开源的一个用于时间序列预测的库，它主要用于处理具有趋势、季节性和假期效应的时间序列数据。

本项目通过Prophet实现时间序列数据趋势周期特征提取。   

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	date	日期
2	close	收盘价

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有2个变量，数据中无缺失值，共6000条数据。

关键代码：  

3.3数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：  

4.探索性数据分析

4.1 y变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

5.特征工程

5.1 获取特征

关键代码如下：

6.构建时间序列模型 

主要使用Prophet实现时间序列数据趋势周期特征提取。  

6.1 构建模型  

编号	模型名称	参数
1	时间序列模型	daily_seasonality=True

6.2 模型预测

关键代码如下：

7.模型评估

7.1 特征绘图

针对提取的特征进行绘图：

趋势特征绘图：

周度季节性变化特征绘图：

日度季节性特征绘图：

  

7.2 保存特征数据

关键代码如下：

特征数据展示如下：

   

8.结论与展望

综上所述，本文采用了Prophet实现时间序列数据趋势周期特征提取，最终证明了我们提出的模型效果良好。此模型可用于日常产品的分析。 

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1PSI_sdAbt_4D7QY0pWXFxw 
提取码：vv9v