python时间序列分析工具prophet，分析年周期变化和

　　prophet是facebook开发的一款开源时间序列分析预测工具。它根据已有序列分析，预测未来一段时间数据变化趋势，并给出年变化趋势，季节因素，节假日因素等。安装condainstallpystancondainstallfbprophet
　　这个库需要先安装pystan这个库，再进行安装。测试importpandasaspdimportnumpyasnpfromfbprophetimportProphetimportmatplotlib。pyplotaspltimportospathfilef。2300333211。60dfpathtodf（pathfile，60）mProphet（yearlyseasonalityTrue，changepointrange1，seasonalitymodemultiplicative，seasonalitypriorscale365）训练模型m。fit（df）print（m）构建预测集，预测未来一年的涨势futurem。makefuturedataframe（periods365）print（future。tail（））进行预测forecastm。predict（future）forecastm。predict（test）m。plot（forecast）plt。savefig（forecast。png，dpi300）print（forecast。tail（10））forecast〔〔ds，yhat，yhatlower，yhatupper〕〕。tail（10）m。plotcomponents（forecast，figsize（8，6））plt。savefig（plotcomponents。png，dpi300）m。addseasonality（）fig2m。plot（forecast）print（）fig，axesplt。subplots（2，1，figsize（6，8），dpi200）axes〔0〕。plot（forecast〔ds〕，forecast〔yearly〕）lags50，axes〔1〕。plot（forecast〔ds〕，forecast〔trend〕）plt。savefig（plotfig。png，dpi300）
　　点是观测数据，实线是预测数据，灰色区域，是置信区间。这个是年变周期是365，预测时间也是未来1年。
　　这个图是划分趋势性分量，年变分量，周分量。这个年变成分是之前decompose得到的趋势性成分不太一样，原理应该是类似的。X1diffdf〔y〕。diff（）。dropna（）检验ARIMA模型的参数dX1dpm。arima。ndiffs（df〔y〕，alpha0。05，testkpss，maxd3）print（使用KPSS方法对序列X1的参数d取值进行预测，d，X1d）X1diffdpm。arima。ndiffs（X1diff，alpha0。05，testkpss，maxd3）print（使用KPSS方法对序列X1一阶差分后的参数d取值进行预测，d，X1diffd）X2dpm。arima。ndiffs（df〔y〕，alpha0。05，testkpss，maxd3）print（使用KPSS方法对序列X2的参数d取值进行预测，d，X2d）X1dpm。arima。nsdiffs（df〔y〕，365，maxD2）print（对序列X1的季节阶数D取值进行预测，D，X1d）X1diffdpm。arima。nsdiffs（X1diff，12，maxD2）print（序列X1一阶差分后的季节阶数D取值进行预测，D，X1diffd）X1decomppm。arima。decompose（df〔y〕。values，multiplicative，m365）可视化出分解的结果axpm。utils。decomposedplot（X1decomp，figurekwargs｛figsize：（10，6）｝，showFalse）ax〔0〕。settitle（乘法模型分解结果）plt。show（）使用加法模型分解结果（通常适用于平稳趋势的序列）X1decomppm。arima。decompose（X1diff。values，additive，m365）可视化出分解的结果axpm。utils。decomposedplot（X1decomp，figurekwargs｛figsize：（10，6）｝，showFalse）ax〔0〕。settitle（加法模型分解结果）plt。show（）decompose分解结果
　　一阶差分后decompose分解结果