Python基于Prophet实现时间序列数据趋势周期特征提取项目实战
说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
Prophet是Facebook开源的一个用于时间序列预测的库，它主要用于处理具有趋势、季节性和假期效应的时间序列数据。
本项目通过Prophet实现时间序列数据趋势周期特征提取。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
| 编号 | 变量名称 | 描述 |
| 1 | date | 日期 |
| 2 | close | 收盘价 |
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有2个变量，数据中无缺失值，共6000条数据。
关键代码：
3.3数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 y变量分布直方图
用Matplotlib工具的hist()方法绘制直方图：
5.特征工程
5.1 获取特征
关键代码如下：
6.构建时间序列模型
主要使用Prophet实现时间序列数据趋势周期特征提取。
6.1 构建模型
| 编号 | 模型名称 | 参数 |
| 1 | 时间序列模型 | daily_seasonality=True |
6.2 模型预测
关键代码如下：
7.模型评估
7.1 特征绘图
针对提取的特征进行绘图：
趋势特征绘图：
周度季节性变化特征绘图：
日度季节性特征绘图：
7.2 保存特征数据
关键代码如下：
特征数据展示如下：
8.结论与展望
综上所述，本文采用了Prophet实现时间序列数据趋势周期特征提取，最终证明了我们提出的模型效果良好。此模型可用于日常产品的分析。
# 本次机器学习项目实战所需的资料，项目资源如下：# 项目说明：# 获取方式一：# 项目实战合集导航：https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2# 获取方式二：链接：https://pan.baidu.com/s/1PSI_sdAbt_4D7QY0pWXFxw
提取码：vv9v