1.問題描述
在時間序列預測上，R語言明顯優於Python。
R中forecast包是很強大的時間序列預測包。例如forecast::nnetar，是用神經網絡對時間序列進行迴歸預測的，python裏確沒有完全相同的函數來實現；R中的forecast::auto.arima感覺比Python的pyramid.auto_arima快得多。
藉助rpy2包，Python可以調用R語言強大的時間序列預測API，可以方便的使用Python來進行時間序列預測。
2.安裝rpy2
ubuntu安裝是常規的安裝方法：
sudo pip3 install rpy2
3.調用R函數
R forecast包裏有很多函數，例如auto.arima()、ets()、tbats()等算法，都可以用下述的方法調用。
以R中的神經網絡迴歸預測nnetar()爲例，用Python調用它的步驟如下（假設時間序列是data，在python中它的類型是list,data=[data1,data2,data3,…]）
在R中用nnetar()的預測代碼
library(‘forecast’)
#訓練模型，注意此處data是R中的ts對象，需要用data=ts(data,frequency=T）轉化一下,T爲序列的週期。
data=ts(c(data1,data2,data3,...),freqency=T)
model=nnetar(data)
#下面的h是要預測的數據點的個數,假設爲8
pred=forecast(model,h=8)
在python裏的操作和上述步驟對應：
#導入rpy2包
import rpy2.robjects as robjects
#導入forecast包———rpy2裏面，執行R語言的方法是 robjects.r('Rcode')
robjects.r('library(forecast)')
#下面的四行其實是將Python的list構造成R語言中需要的計算格式，R語言的輸入是需要ts對象。
#R中的數組和Python的list不同，需要轉化一下
#forecast(nnetar(ts(c(data1,data2,data3,...),frequency=T))）
str_list = ','.join([str(i) for i in data])
str_array = 'ts(c(' + str_list + '),frequency=%d)'%T
str_model = 'nnetar(%s)' % str_array
str_forcast = 'forecast(%s,h=%d)' % (str_model, h)
#調用上述的字符串，在R中計算
res = robjects.r(str_forcast)
#需要對R計算完成之後的返回的結果進行解析一下，見[說明1]
pred = list(res[-1])
[說明1]：上述的最後一步pred = list(res[-1])，需要說明的是，不同的預測算法，對於R預測完成後返回的對象，需要自己去探索解析一下，從中剝離出需要預測的值，有的可能是pred = list(res[-2])。例如有的算法，默認會返回預測值不同置信區間的上界、預測值的下界等多個值，因此需要去R中檢查一下，自己需要的值（一般是預測值的均值）是哪一個。
4.總結
用Python調用R中forecast包的過程就是以下幾步：
（1）用rpy2 導入forecast；
（2）把Python中的數據格式（一般是list）改造成R中可以執行的格式，得到一個可能較長的字符串；
（3）用rpy2執行上述字符串；
（4）對R計算完成之後的返回的對象進行解析，得到想要的預測值。