異常值
異常值可以影響Prophet的預測結果，主要有兩種方式。下面的示例中，我們使用之前提到的R頁面的日誌化維基百科訪問量數據進行預測，但添加了一段錯誤的數據：
# Python
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_R_outliers1.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=1096)
forecast = m.predict(future)
fig = m.plot(forecast)
在上述示例中，趨勢的預測看起來是合理的，但不確定性區間似乎過於寬廣。Prophet能夠處理歷史中的異常值，但是隻能通過擬合趨勢變化來處理它們。因此，不確定性模型預期未來的趨勢變化具有類似的幅度。
處理異常值的最佳方法是將其移除- Prophet對缺失數據沒有問題。如果在歷史數據中將異常值的值設置爲NA（缺失值），但保留未來的日期，那麼Prophet將爲異常值給出預測。
# Python
df.loc[(df['ds'] > '2010-01-01') & (df['ds'] < '2011-01-01'), 'y'] = None
model = Prophet().fit(df)
fig = model.plot(model.predict(future))
在上面的示例中，異常值擾亂了不確定性估計，但並沒有影響到主要的預測值yhat。然而，並不是所有情況下都是如此，就像在下面這個示例中添加了異常值的情況一樣：
# Python
df = pd.read_csv('https://raw.githubusercontent.com/facebook/prophet/main/examples/example_wp_log_R_outliers2.csv')
m = Prophet()
m.fit(df)
future = m.make_future_dataframe(periods=1096)
forecast = m.predict(future)
fig = m.plot(forecast)
在這個示例中，2015年6月的一組極端異常值擾亂了季節性的估計，因此它們的影響會一直持續到未來。同樣，正確的方法是將它們移除：
# Python
df.loc[(df['ds'] > '2015-06-01') & (df['ds'] < '2015-06-30'), 'y'] = None
m = Prophet().fit(df)
fig = m.plot(m.predict(future))
