最近在学习Prophet模型，看着Prophet的Jupyter Notebook上面的几个例子，试着运行了一遍，然后顺便尝试了把文档翻译成中文，方便以后查阅。由于水平有限，可能会有一些翻译不准确的地方，后期有新的理解再继续修改吧。
%matplotlib inline
import logging
logging.getLogger('fbprophet').setLevel(logging.ERROR)
import warnings
warnings.filterwarnings("ignore")
Python API
Prophet遵循sklearn模型API。我们创建一个Prophet类的实例，然后调用它的fit和predict方法。
Prophet的输入始终是一个包含两列的数据：ds和y。 ds（datestamp）列应为Pandas预期的格式，理想情况下为YYYY-MM-DD的日期格式或YYYY-MM-DD HH：MM：SS的时间戳格式。 y列必须是数字，表示我们希望预测的度量。
作为示例，让我们看一下Peyton Manning的Wikipedia页面的日志，这个日志包含了页面每日浏览量的时间序列。我们使用R中的Wikipediatrend软件包来抓取这些数据.Peyton Manning提供了一个很好的例子，因为它说明了Prophet的一些特征，例如多个季节性，改变增长率，以及模拟特殊日子的能力（例如Manning’s playoff(曼宁的季后赛)和superbowl appearances(超级碗出场))。 CSV可在此处获得。
首先我们将导入数据：
import pandas as pd
from fbprophet import Prophet
df = pd.read_csv('examples/example_wp_log_peyton_manning.csv')
df.head()
| ds | y | |
|---|---|---|
| 0 | 2007-12-10 | 9.590761 |
| 1 | 2007-12-11 | 8.519590 |
| 2 | 2007-12-12 | 8.183677 |
| 3 | 2007-12-13 | 8.072467 |
| 4 | 2007-12-14 | 7.893572 |
我们通过实例化一个新的Prophet对象来训练模型。有关预测的任何设置都将被设置在构造函数中。然后调用其fit方法并传入历史数据帧。训练过程（Fitting）需要1-5秒。
m = Prophet()
m.fit(df)
<fbprophet.forecaster.Prophet at 0x1a7d5155a20>
然后在数据框（dataframe）上进行预测，其中列ds包含要进行预测的日期。您可以使用辅助方法Prophet.make_future_dataframe获得一个合适的数据帧，该数据帧将在未来延长指定的天数(指定预定天数)。默认情况下，它还会包含历史记录中的日期，然后我们将看到结合起来的（历史数据+预测数据框）的模型。
future = m.make_future_dataframe(periods=365)
future.tail()
| ds | |
|---|---|
| 3265 | 2017-01-15 |
| 3266 | 2017-01-16 |
| 3267 | 2017-01-17 |
| 3268 | 2017-01-18 |
| 3269 | 2017-01-19 |
predict方法将给未来每一个日期生成一个预测值，并将其命名为yhat。如果您传递历史日期，它将根据样本数据进行训练。此处的forecast对象是一个新的数据框，其中包含一个预测值的列，以及包含组件（对历史数据的分解）和不确定区间的列。
forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()
| ds | yhat | yhat_lower | yhat_upper | |
|---|---|---|---|---|
| 3265 | 2017-01-15 | 8.212379 | 7.495058 | 8.922266 |
| 3266 | 2017-01-16 | 8.537381 | 7.828844 | 9.249592 |
| 3267 | 2017-01-17 | 8.324804 | 7.627442 | 9.059846 |
| 3268 | 2017-01-18 | 8.157475 | 7.507110 | 8.907231 |
| 3269 | 2017-01-19 | 8.169385 | 7.499621 | 8.867653 |
您可以通过调用Prophet.plot方法并传入预测数据帧并绘制图像。
fig1 = m.plot(forecast)
如果要查看预测的成分构成，可以使用Prophet.plot_components方法。默认情况下，您将看到时间序列的趋势，年季节性和周季节性。如果你包括假期，你也会在这里看到。
fig2 = m.plot_components(forecast)
有关每种方法可用选项的更多详细信息，请参阅文档，例如，通过help(Prophet)或help(Prophet.fit)。