个人客户的时间序列分析答案

【问题标题】：Time Series Analysis for Individual Customers个人客户的时间序列分析
【发布时间】：2018-06-21 07:19:04
【问题描述】：

我是 1000 位客户在过去 2 年的购买次数的时间序列数据。我能够为整个数据集构建时间序列预测模型。但是现在我想为这 1000 个客户中的每一个建立预测模型，解决这个问题的最佳方法是什么。

PS：我能想到的一种方法是对 1000 个客户中的每一个进行迭代，并为每个客户构建单独的模型。但从长远来看，它不会是可行的解决方案

谁能帮助我更好的方法

样本数据：

custmore_id,date,count_order
1,2015-06,24
1,2015-07,26
...
1,2017-08,320
2,2015-06,12
2,2015-07,32
..
2,2017-08,500

【问题讨论】：

您是否尝试过使用 group_by 获取所有客户，然后将您的时间序列预测模型应用于 customer='Customer 1 or 2 etc' 的每个子数据框？
是的，我做到了。但效率不高，而且我必须修改每个时间序列的参数
你能澄清你的要求吗？您是在寻找一种以特定方式组织数据的方法，还是寻找通用模型的建议（更适合CrossValidated 的问题）？
我要求一种设计通用模型的方法

标签： python pandas time-series forecasting arima

【解决方案1】：

首先，创建一个函数 def Forecast(costumer_id,prediction_date): df_customer = df[df['customer_id']==customer_id] do forecasting on df_customer return forecast for customer and prediction_date 然后使用多进程库的Pool方法并行处理客户：

pool.map(Forecast,np.unique(df['customer_id'])) 最后连接结果

【讨论】：

我已经实现了类似的东西，但没有尝试多处理方法。马上试试