这篇是学习和使用笔记，参考内容比较多，没有很多原创，目的是希望大家快速入手这个包。
fbprophet这个包是facebook开源的时间序列预测包，因为其优良的性能，现在得到了大家的追捧，但是安装过程实在太多坑。

0.安装

本人使用mac电脑，因为这个包用到c++的环境，笔者是死活安装不成功，然后百度了好多问题无果，最终的解决方案是下面的安装步骤。

conda install pystan
#将安装很多依赖，不要用pip装，一定用conda装，嫌安装慢的，可以配置一个国内的镜像安装源。
#下载最新的prophet包，然后用
pip install fbprophet-0.6.tar.gz

期间如果遇到什么问题，欢迎随时私信我，这两步是最重要的。

1.入门

fbprophet完全继承了sklearn的模式，用fit，predict就可以进行使用。
fbprophet的输入是一个df，一般只包含两列第一列是日期，当然也可以是小时级别的，第二列就是具体的数据，这个包的好处显而易见，你不用去对数据特征进行处理了。
使用流程是：导包—导数据—建立一个prophet实例—fit—predict

import pandas as pd
from fbprophet import Prophet
sj = pd.read_excel('/Users/elliot/Desktop/manning.xlsx')
#sj.head(10)
m = Prophet()
m.fit(sj)#去训练
future = m.make_future_dataframe(periods=365)#再现有数据的基础上外推365天
future.tail()
pout = m.predict(future)#去预测
m.plot_components(pout)#画出分解图

2.饱和增长模型

饱和增长是指在资源有限的情况下事物的增长有上限的一种模式，符合大部分事物的发展规律，比如一个港口的吞吐量是不可能无限增长的，因为这个增长特征符合逻辑回归的曲线形式，因此又被成为logsitic模型，业内通常翻译为阻滞增长模型。
使用饱和增长模型，要在原有df的基础上新增一列cap，还要指定预测模型为logstic。

#前边导包导数据都一样的
sj['cap'] = 15.0
m = Prophet(growth='logistic')
m.fit(sj)
future = m.make_future_dataframe(periods=365)
future['cap'] = 15.0
future.tail()
pout = m.predict(future)
fig = m.plot(pout)

当然可以设置饱和增长的最大值，也可以设置饱和下降的最小值，看你业务需要，去调整变量名就好了。

3.突变点处理

当然了，时间序列不可能是完全平稳的，正常数据肯定存在突变点的，关于突变点检测有很多方法，网上基本都是现成的，比如用统计学的方法，用zscore，用孤立森林方法或者用其他方法。fbprophet可以自动识别突变点，这一点做得是比较好的。
这里我不想说的太复杂，简单说就是：同过changepoint和n_changepoint来指定异常点，如果啥也不给定，模型将从输入数据的前80%中找出25个异常点，怎么找呢，其实就是用了拐点检测的算法，具体不用搞懂。如果指定了就用你指定的日期作为异常点。
prophet对异常点的处理方法嘛很暴力就是忽略，相当于L1正则化，回想一下L1正则化就是将默写指标的权重设置为0来防止过拟合嘛。

from fbprophet.plot import add_changepoints_to_plot
fig = m.plot(pout)
a = add_changepoints_to_plot(fig.gca(), m, pout)

图如下所示：

异常点自动检测

如果你不想从80%数据找异常点咋办，设置changepoint_range这个参数，设置为0.9。
如果你想调整预测结果的灵活性，你可以设置changepoint_prior_scale这个参数，默认是0.05，放大会使预测结果范围更加宽广。

m = Prophet(changepoint_prior_scale=0.5)
m.fit(sj)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)
fig = m.plot(forecast)

调整changepoint_prior_scale参数结果

4.节假日效应

节假日是影响数据波动的一个重要因素，比如双十一可以显著提高销量，春节期间则能显著降低物流量等。所以需要对节假日进行一个特殊处理。
要想分析节假日效应的话需要新增加一个dataframe，包含节假期和日期两个字段，预测数据中也要注明节假期。当然如果节假日是一个区间，你可以再dataframe中新增两列，lower_window 和 upper_window，将节假日扩展为一个区间。
建好节假日的dataframe后，建模的时候传参进去就可以了，没啥好说的。

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))
m = Prophet(holidays=holidays)
m.fit(sj)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)
fig = m.plot(forecast)
forecast[(forecast['playoff'] + forecast['superbowl']).abs() > 0][
        ['ds', 'playoff', 'superbowl']][-10:]
fig = m.plot_components(forecast)
from fbprophet.plot import plot_forecast_component
m.plot_forecast_component(forecast, 'superbowl')
#单独画出节假日影响的图像

如果发现节假日被过拟合了，你可以设置holidays_prior_scale参数来降低节假日的影响，这个参数默认取10，越大节假日影响越大，越小节假日影响越小。

5.季节性趋势

5.1 加法季节性

季节性使用傅里叶级数的方法进行建模的，这也是为什么fbprophet依赖C++包的原因。
在fbprophet中通过yearly_seasonality来调整，默认是10，如果季节性变化更明显，可以将这个数值调整的大一些，比如20。
你也可以通过指定weekly_seasonality和daily_seasonality两个参数来指定是否增加周和日的季节性。当然也可以通过add_seasality添加月、周、日甚至小时级别的季节性，三个参数，period、fourier_order，即傅里叶级数和prior_scale，先验规模，用来判断过拟合的。

m = Prophet(weekly_seasonality=False)
m.add_seasonality(name='monthly', period=30.5, fourier_order=5,prior_scale=0.1)
forecast = m.fit(sj).predict(future)
fig = m.plot_components(forecast)

同节假日相同，如果发现季节被过拟合了，可以设置 seasonality_prior_scale来调整。

5.2 乘法季节性

有些时候采用加法季节性是无效的，比如航空数据，有明显的随年度增加的趋势，但季节变化趋势也随着年份的增加发生了改变，采用传统的加法模型就不可行了。这时候可以尝试采用乘法季节性模型，就是在建模时候增加seasonality_mode='multiplicative'参数。值得注意的是因为设置了乘法模型，所以季节性和节假日都是乘法的关系。

m = Prophet(seasonality_mode='multiplicative')
m.fit(df)
forecast = m.predict(future)
fig = m.plot(forecast)
fig = m.plot_components(forecast)

当然了你也可以设置加法或者乘法，比如上述代码设置了季节性为乘法，那么你新增加一个季节性的时候可以指定是乘法或加法，这种做法就比较灵活。

m = Prophet(seasonality_mode='multiplicative')
m.add_seasonality('quarterly', period=91.25, fourier_order=8, mode='additive')

6.附加回归量

附加回归量是说有的因素可能影响预测结果，但是这个影响由没有展现出明显的年/月/日周期性，这时候可以加一个附加的回归量。用add_regressor这个方法，在建立预测模型之后添加，附加回归量取逻辑值。

def nfl_sunday(ds):
    date = pd.to_datetime(ds)
    if date.weekday() == 6 and (date.month > 8 or date.month < 2):
        return 1
    else:
        return 0
df['nfl_sunday'] = df['ds'].apply(nfl_sunday)
m = Prophet()
m.add_regressor('nfl_sunday')
m.fit(df)
future['nfl_sunday'] = future['ds'].apply(nfl_sunday)
forecast = m.predict(future)
fig = m.plot_components(forecast)

7.预测区间

7.1 趋势不确定性

如果你打印fbprophet的预测结果，你会发现fbprophet是区间预测的。因为预测都是基于历史数据做出的，并且假设了未来数据和历史数据具有相似的变化趋势，这个假设可能会导致预测结果的不准确性。fbprophet提供了一个参数，interval_width，这个参数默认为0.8，越大则说明未来与历史变化趋势更接近。

m = Prophet(interval_width=0.95).fit(df)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)

7.2 季节不确定性

季节不确定性通过 mcmc.samples 参数调节，如果大于0做全贝叶斯估计，如果等于0做最大后验估计。谨慎使用啊，非常慢，cpu带不动。

m = Prophet(mcmc_samples=500).fit(df)
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)

8.异常值

异常值不同于突变点，突变点那是正常波动造成的，异常点是数据有错误，或者统计口径发生了变化导致了数据的激增激降。异常值的存在将使得预测区间编的非常非常大。
处理异常值的最好办法就是删除这个数据，prophet依旧会根据趋势给出预测值，这感觉还不错，怎么删除呢，df赋值为none就好了，不用多说吧。

9.非日数据

有时候我们还需要预估小时级别的数据，这个prophet也是可以处理的，只要你传参是标准的时间戳格式就可以的，唯一要处理的就是外推数据，freq设置为‘H’。
当然月和年的数据是类似的，就是设置freq的问题，其他方法和天级别的预测相似的。

10.诊断

就是交叉验证，sklearn里也有交叉验证，用cross_validation进行。

from fbprophet.diagnostics import cross_validation
df_cv = cross_validation(m, initial='730 days', period='180 days', horizon = '365 days')
#参数意思是730天做阶段，每180天对365天的数据做一个交叉验证，
df_cv.head()

讲到这就基本讲完了，当然对内部机理的介绍还是比较少，我们只要会用就好了。