Windows/Linux 安装prophet 步骤

prophet 是facebook 开发的一个时间序列预测算法，基本思路是将时间序列分解并做拟合求解出的

1、Linux安装安装步骤

• 步骤 1: 安装依赖项

  确保系统已经安装了以下依赖项：
  ​
  ```bash
  sudo apt-get update
  sudo apt-get install -y build-essential python3-dev
  sudo apt-get install -y libopenblas-dev liblapack-dev
  

• 步骤 2: 安装Conda（如果未安装）

  步骤 2: 安装Conda（如果未安装）
  ​
  # 下载Miniconda安装脚本
  wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh
  ​
  # 运行安装脚本
  bash miniconda.sh
  ​
  # 按照提示安装，按照默认设置操作即可
  ​
  # 删除安装脚本
  rm miniconda.sh
  

• 步骤 3: 创建并激活虚拟环境

  # 创建一个新的Conda虚拟环境
  conda create -n prophet-env python=3.7
  ​
  # 激活虚拟环境
  conda activate prophet-env
  

• 步骤 4: 安装pystan

  conda install pystan
  

• 步骤 5: 安装 Prophet

  # 安装 prophet
  conda install -c conda-forge prophet
  ​
  # 安装 jupyter
  conda install jupyter
  

• 步骤 6: 验证Prophet是否安装成功

  # 可以通过在 Python 解释器中导入 Prophet 来验证安装是否成功：
  ​
  python
  ​
  ​
  import prophet
  ​
  # 如果没有报错，说明安装成功。
  ​
  

2、windows安装Prophet

• 步骤 1: 安装anaconda

  • 如果你尚未安装Anaconda，可以从Anaconda官网下载并安装最新版本。

  • 详细下载配置流程请参考如下地址: blog.csdn.net/fan18317517…

• 步骤 2: 在anaconda prompt里，创建一个虚拟环境

  • 在开始菜单中找到Anaconda Prompt，并以管理员身份运行。

    

  • 创建并激活虚拟环境

    • 在Anaconda Prompt中执行以下命令：

      conda create -n prophet-env python=3.7
      conda activate prophet-env
      

• 步骤 3: 安装pystan（Prophet的依赖项）

  # 安装 pystan
  conda install -c conda-forge pystan
  

• 步骤 4: 安装prophet

  # 安装 prophet
  conda install -c conda-forge prophet
  ​
  # 安装 jupyter
  conda install jupyter
  

• 步骤 5: 验证prophet

  打开Python解释器（可以在Anaconda Prompt中执行python命令），然后尝试导入Prophet和pystan：

  import prophet
  import pystan
  

  如果没有报错，说明安装成功。

3、 Windows10 pycharm 配置anaconda的Prophet环境

1.打开pycharm的 settings配置, 搜索python Interpreter,按如下图操作 2. 添加anaconda的配置环境,选择prophet的环境 3. 选择添加好的anaconda的prophet环境 4. jupyter配置anaconda的prophet环境

4、创建demo 测试

创建文件demo.ipynb

代码如下

# Python
# 引用包
import logging
import warnings
​
logging.getLogger('prophet').setLevel(logging.ERROR)
warnings.filterwarnings('ignore')

# 引用包
import pandas as pd
from prophet import Prophet

# 获取csv文件
# 读入数据集
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_peyton_manning.csv')
​
# Prophet 的输入量往往是一个包含两列的数据框：ds 和 y 。ds 列必须包含日期（YYYY-MM-DD）或者是具体的时间点（YYYY-MM-DD HH:MM:SS）。 y 列必须是数值变量，表示我们希望去预测的量。
​
# 打印显示文件数据
df.head()

# 拟合模型
m = Prophet()
m.fit(df)
​
# 通过对一个 Prophet 对象进行实例化来拟合模型，任何影响预测过程的设置都将在构造模型时被指定。接下来，就可以使用 fit 方法代入历史数据集来拟合模型，拟合过程应当花费 1 - 5 秒。

# 预测过程则需要建立在包含日期 ds 列的数据框基础上。通过使用辅助的方法 Prophet.make_future_dataframe 来将未来的日期扩展指定的天数，得到一个合规的数据框。默认情况下，这样做会自动包含历史数据的日期，因此我们也可以用来查看模型对于历史数据的拟合效果。
​
# 构建待预测日期数据框，periods = 365 代表除历史数据的日期外再往后推 365 天
​
future = m.make_future_dataframe(periods=365)
future.tail()

# predict 方法将会对每一行未来 future 日期得到一个预测值（称为 yhat ）。如果你传入了历史数据的日期，它将会提供样本的模型拟合值。预测 forecast 创建的对象应当是一个新的数据框，其中包含一列预测值 yhat ，以及成分的分析和置信区间。
​
# 预测数据集
​
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
​

# 通过 Prophet.plot 方法传入预测得到的数据框，可以对预测的效果进行绘图。
​
fig1 = m.plot(forecast)
​

#   如果想查看预测的成分分析，可以使用 Prophet.plot_components 方法。默认情况下，将展示趋势、时间序列的年度季节性和周季节性。如果之前包含了节假日，也会展示出来。
​
# 预测的成分分析绘图，展示预测中的趋势、周效应和年度效应
fig2 = m.plot_components(forecast)

再详细的入门demo使用可以参考如下地址:blog.csdn.net/anshuai_aw1…

本文章共参考学习如下地址:

blog.csdn.net/fan18317517…

blog.csdn.net/anshuai_aw1…