==部分來自學習總結==
1、先說適用範圍：
很明顯，Prophet只適用於具有明顯的內在規律（或者說，模式）的商業行爲數據。
雖然官方案例裏通常使用日數據的序列，但對於更短時間頻段，比如小時數據，也是支持的。
但對於不具有明顯趨勢性、週期性的時間序列，使用Prophet進行預測就不適合了。比如前面有同學用Prophet來預測滬深300……先不說有效市場假說（EMH）否定了歷史數據對未來價格擬合的可能性，就算市場存在模式，也不是能夠被一個通用模型簡單的線性分解成趨勢和週期的。
2、入門
提一下安裝，win10 +py3.7 +anaconda ，剛開始裝確實有問題，後來按照這個命令：
conda install pystan
conda install -c conda-forge fbprophet
要先裝pystan,
可以裝上了，但是很慢，要升級很多庫，我大概用了1小時。
網上很多入門代碼，官網也給了很多demo。上手很快，按照網上的數據，預測的結果很ok，信心滿滿。
總是按照別人的東西做，感覺缺點什麼，自己打算給自己挖個坑。
預測一下sin函數。
3、入坑
創建data：這裏我改爲了txt格式，爲了後面方便嵌入到自己的項目程序中。
運行，一氣呵成，結果如圖：
紅線是預測；黑點是輸入。黑色虛線是設定的上線。
肯定是哪裏錯了，不可能連sin函數都預測不出來。
4、學習
應該是要調整參數，給我感覺就是跟隨性太差。
經過學習，主要參數如下：
Prophet（）的主要參數：
#設置跟隨性： changepoint_prior_scale=0.05 值越大，擬合的跟隨性越好，可能會過擬合
#設置置信區間：interval_width=0.8（默認值）,值越小，上下線的帶寬越小。
#指定預測類型： growth='linear'或growth = "logistic" ，默認應該是linear。
#馬爾科夫蒙特卡洛取樣（MCMC）： mcmc_samples=0,會計算很慢。距離意義不清楚
#設置尋找突變點的比例：changepoint_range=0.9 默認從數據的前90%中尋找異常數據。預測這個正弦曲線，如果不設置changepoint_range=1，預測的結果是不對的，不知道爲什麼。
make_future_dataframe( ）的主要參數：
#periods 週期，一般是根據實際意義確定，重點：後續預測的長度是一個週期的長度。
#freq 我見的有‘MS‘、H、M ，預測sin，要設置H ，個人理解數據如果變化很快，要用H
其他的內置參數：
yearly_seasonality 是年規律擬合，Prophet模型會描繪出以一年爲單位的數據規律，後面的部分會有圖示；同理於參數 weekly_seasonality，daily_seasonality。
n_changepoints 是預設轉折點數量
changepoint_range 是設定轉折點可以存在的範圍，.1表示存在於歷史數據的前十分之一，.5表示在歷史數據的前半部分，其餘同理。
changepoint_prior_scale 是設置模型對轉折點擬合的靈敏度，值越高越靈活。
changepoints=[] 是指定轉折點的具體位置
yearly_seasonality 是年的擬合度，值越高越靈活，同時可以選擇True和False來設定是否進行年度的擬合。同理與weekly_seasonality和daily_seasonality。
holidays_prior_scale 是假期的擬合度，同樣值越高越靈活，同時前提是你需要有假期信息的加入。
seasonality_mode=‘multiplicative’ 是模型學習的方式，默認情況下爲加性的，如果如上所示來設置，則是乘性的(multiplicative)。
5、再調試
經過參數學習後，主要調整參數如下：
m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)
。。。
future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H 來設置
運行結果：
自己覺得效果挺好了。
6、小技巧
6.1其他語言程序調用Python
一般是命令行的方法，啓動cmd，傳入參數。如下：
filename = sys.argv[1] #從cmd讀取數據
filename='data'#從指定文件讀取數據
其他程序首先啓動一個cmd，然後切換到.py文件的目錄，然後執行命令： python yourfilename.py 變量value
就可以把參數傳入filename 。
6.2、prophet預測的未來的長度是設定的periods的長度。
6.3、爲什麼有的數據要現log處理，在預測，看這個：https://blog.csdn.net/anshuai_aw1/article/details/83866105
6.4、保存panda 中的dataframe的數據到文本，（新手，做筆記）
#forecast.to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的全部列數據
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的數據
6.5、在圖上顯示出突變點：
fig=m.plot(forecast)
...
a = add_changepoints_to_plot(fig.gca(), m, forecast)
6.6、疑惑
prophet只能預測一個Y列嗎，如果有多個Y列怎麼辦？是分多次預測嗎？
7、源碼
GitHub地址：https://github.com/DamonDBT/prophet_sin_demo
# -*- coding: utf-8 -*-
"""
Created on Fri Jul 19 11:49:17 2019
@author: dbt
"""
# Python
import pandas as pd
import numpy as np
from fbprophet import Prophet
import sys
import os
import matplotlib.pyplot as plt
from fbprophet.plot import add_changepoints_to_plot
#orig_out = sys.stdout
#sys.stdout = open(os.devnull, 'w')
#filename = sys.argv[1] #從cmd讀取數據
filename='data'#從指定文件讀取數據
df = pd.read_csv(filename+'.txt')
#df['y'] = np.log(df['y']) #爲什麼要log處理？都要有嗎？
#df['cap'] = 1#log預測才用
#df['floor'] = -1#log預測才用
df.head()
#設置跟隨性： changepoint_prior_scale=0.05 值越大，擬合的跟隨性越好，可能會過擬合
#設置置信區間：interval_width=0.8（默認值）,值越小，上下線的帶寬越小。
#指定預測類型： growth='linear'或growth = "logistic" ，默認應該是linear。
#馬爾科夫蒙特卡洛取樣（MCMC）： mcmc_samples=0,會計算很慢。距離意義不清楚
#設置尋找突變點的比例：changepoint_range=0.9 默認從數據的前90%中尋找異常數據。預測這個正弦曲線，如果不設置changepoint_range=1，預測的結果是不對的，不知道爲什麼。
m = Prophet(changepoint_prior_scale=0.9,interval_width=0.9,growth='linear',changepoint_range=1)
m.fit(df);
#periods 週期，一般是根據實際意義確定，重點：後續預測的長度是一個週期的長度。
#freq 我見的有‘MS‘、H、M ，預測sin，要設置H ，個人理解數據如果變化很快，要用H
future = m.make_future_dataframe(periods=120, freq='H') #freq=‘MS‘或者H 來設置
future['cap'] = 1 #log預測才用？linear也可以加上。
future['floor'] = -1#log預測才用？linear也可以加上。
#畫圖
future.tail()
forecast = m.predict(future)
forecast.tail()
fig=m.plot(forecast)
plt.savefig('./out/'+filename+'_1.jpg',dpi=500)
m.plot_components(forecast)
plt.savefig('./out/'+filename+'_2.jpg',dpi=500)
#print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']]) #打印到console
savename='./out/'+filename+"_out.txt"
#forecast.to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的全部列數據
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].to_csv(savename, sep='\t',index=False) #保留panda.dataframe 的指定列的數據
x = forecast['ds']
y = forecast['yhat']
y1 = forecast['yhat_lower']
y2 = forecast['yhat_upper']
plt.plot(x,y)
plt.savefig('./out/'+filename+'_3.jpg',dpi=500)
plt.plot(x,y1)
plt.savefig('./out/'+filename+'_4.jpg',dpi=500)
plt.plot(x,y2)
plt.savefig('./out/'+filename+'_5.jpg',dpi=500)
#plt.show()
#把檢測到的突變點，用紅色線表示在圖上。
a = add_changepoints_to_plot(fig.gca(), m, forecast)
8、測試數據
給出一部分吧，畢竟就是一個sin 函數，excel拉一下就有了，（GitHub 的demo有完整的。）https://github.com/DamonDBT/prophet_sin_demo
| ds | y |
| 2007/12/10 | 0.841471 |
| 2007/12/11 | 0.891207 |
| 2007/12/12 | 0.932039 |
| 2007/12/13 | 0.963558 |
| 2007/12/14 | 0.98545 |
| 2007/12/15 | 0.997495 |
| 2007/12/16 | 0.999574 |
| 2007/12/17 | 0.991665 |
| 2007/12/18 | 0.973848 |
| 2007/12/19 | 0.9463 |
| 2007/12/20 | 0.909297 |
| 2007/12/21 | 0.863209 |
| 2007/12/22 | 0.808496 |
| 2007/12/23 | 0.745705 |
| 2007/12/24 | 0.675463 |
| 2007/12/25 | 0.598472 |
9、附上一些好的博客
https://blog.csdn.net/anshuai_aw1/article/details/83412058#commentBox
https://blog.csdn.net/u010665216/article/details/79216744
https://www.biaodianfu.com/prophet.html
https://www.cnblogs.com/bonelee/p/9577432.html
官網：https://facebook.github.io/prophet/docs/non-daily_data.html#data-with-regular-gaps