原文鏈接：http://tecdat.cn/?p=7692
預測通常被認為是報告的自然發展。報告可以幫助我們回答，發生了什么事？預測有助於回答下一個邏輯問題，將會發生什么？
Prophet的目的是“使專家和非專家可以更輕松地進行符合需求的高質量預測。
您將學習如何使用Prophet（在Python中）解決一個常見問題：預測下一年公司的每日訂單。
數據准備與探索
Prophet最適合每日定期數據以及至少一年的歷史數據。 我們將使用SQL處理每天要預測的數據：
select
date,
value
from modeanalytics.daily_orders
order by date
現在，我們每天都有數據，我們可以將SQL查詢結果集通過管道傳遞到Python筆記本中的pandas dataframe對象中。首先，將您的SQL查詢重命名為Daily Orders。然后，在Python筆記本中，我們可以使用以下語句將查詢結果集通過管道傳遞到數據框df：
df = datasets["Daily Orders"]
為了快速了解您的數據框包含多少個觀測值，可以運行以下語句，該語句將返回一個元組，分別包含數據框中的行數和列數：
df.shape
先知總是期望輸入DataFrame中有兩列：ds和y。該ds列表示SQL查詢中的日期 。 要檢查DataFrame中列的類型，可以在Python筆記本中運行以下語句：
df.dtypes
一旦確認數據框中的列是正確的數據類型，就可以ds在數據框中創建一個新列，該date列是該列的完全相同的副本，也可以創建一個新列，該列是該列y的完全相同的副本value：
df['ds'] = df['date']
df['y'] = df['value']
然后，您可以重新調整該date列的用途，以用作數據框的索引：
df.set_index('date')
這會將您的數據框的索引轉換為DatetimeIndex，這使熊貓能夠將此數據集解釋為Time Series。
現在您已經准備好要與Prophet一起使用的數據，在將數據輸入到Prophet中之前，將其作圖並檢查數據的外觀是個好習慣。
Box-Cox變換
通常在預測中，您會明確選擇一種特定類型的冪變換，以將其應用於數據以消除噪聲，然后再將數據輸入到預測模型中（例如，對數變換或平方根變換等）。但是，有時可能難以確定哪種功率變換適合您的數據。
Box-Cox變換是一種數據變換，用於評估一組Lambda系數（λ）並選擇可實現最佳正態性近似值的值。
from scipy.stats import boxcox
該boxcox方法需要一個輸入：要轉換的一維正數據數組。您也可以選擇指定要用於轉換的λ值（例如，對數轉換的λ= 0）。否則，該boxcox方法將找到使對數似然函數最大化的λ並將其作為第二個輸出參數返回。
對於我們的示例，我們將讓該boxcox方法確定用於變換的最佳λ，並將該值返回給名為lam的變量：
# Apply Box-Cox Transform to value column and assign to new column y
df['y'], lam = boxcox(df['value'])
如果我們將新轉換的數據與未轉換的數據一起繪制，則可以看到Box-Cox轉換能夠消除隨着時間變化而觀察到的許多增加的方差：
預測
使用Prophet創建預測的第一步是將fbprophet庫導入到我們的Python筆記本中：
import fbprophet
將Prophet庫導入筆記本后，我們可以從 Prophet對象（創建實例）開始：
m = fbprophet.Prophet()
實例化Prophet對象后，就可以將模型擬合到歷史數據中了。您可以通過fit在Prophet對象上調用方法並傳入數據框來實現此目的：
現在，我們可以使用該predict方法對未來數據幀中的每一行進行預測。
此時，Prophet將創建一個分配給變量的新數據框，其中包含該列下未來日期的預測值yhat以及不確定性間隔和預測的組成部分。我們可以使用Prophet的內置plot幫助器功能將預測可視化：在我們的示例中，我們的預測如下所示：
如果要可視化各個預測組件，則可以使用Prophet的內置plot_components方法：plot_components在我們的示例數據上運行將返回以下一組組件可視化：
預測和組件可視化顯示，Prophet能夠准確地建模數據中的潛在趨勢，同時還可以精確地建模每周和每年的季節性（例如，周末和節假日的訂單量較低）。
逆Box-Cox變換
由於先知用於Box-Cox轉換后的數據，因此您需要將預測值轉換回其原始單位。要將新的預測值轉換回其原始單位，您將需要執行Box-Cox逆轉換。
inv_boxcox方法有兩個必需的輸入。要轉換的數據數組和轉換的λ值。我們將對預測數據幀中的特定列進行逆變換，並提供先前從存儲在lam變量中的第一個Box-Cox變換中獲得的λ值：
現在，您已將預測值轉換回其原始單位，現在可以將預測值與歷史值一起可視化：