Python实现ARMA模型-技术圈

Python实现ARMA模型

共 1213字，需浏览 3分钟

· 2020-10-11

1.导入相关包，查看数据情况

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'
%matplotlib inline

df = pd.read_csv('./RFM分析1.csv')
df.info()

输出：

可以看出这里的数据比较完整，没有缺失值不用清洗缺失值。

2.请洗数据
2.1将销售日期转换成datetime类型

df['销售日期'] = pd.to_datetime(df['销售日期'])
# 查看是否修改成功
df.info()

输出：

2.2 使用describe查看均值、最大、最小值情况

df.describe()输出：

支付金额有负数。查看负数的数据有多少条。

df[df['销售金额'] < 0]

这里有6946条，相对于总数293751，数据比较小，直接当异常值来处理。这里直接获取销售金额大于0的数据来进行分析。

df = df[df['销售金额'] > 0]
# 重新看销售金额的最小值
df.describe()

2.3 设置销售日期为index

df.index = df['销售日期']
df.head()

输出：

3.利用ARMA模型进行预测
3.1 先查看现有的销售趋势

df_Month = df.resample('M').sum()
plt.figure(figsize=(18, 7), dpi=128)
df_Month['销售金额'].plot()

输出：

3.2 对数据进行训练

from statsmodels.tsa.arima_model import ARMA
from datetime import datetime
from itertools import product

# 设置p阶，q阶范围
# product p,q的所有组合
# 设置最好的aic为无穷大
# 对范围内的p,q阶进行模型训练，得到最优模型
ps = range(0, 6)
qs = range(0, 6)
parameters = product(ps, qs)
parameters_list = list(parameters)

best_aic = float('inf')
results = []
for param in parameters_list:
    try:
        model = ARMA(df_Month['销售金额'], order=(param[0], param[1])).fit()
    except ValueError:
        print("参数错误：", param)
        continue
    aic = model.aic
    if aic < best_aic:
        best_model = model
        best_aic = model.aic
        best_param = param
    results.append([param, model.aic])
results_table = pd.DataFrame(results)
results_table.columns = ['parameters', 'aic']
print("最优模型", best_model.summary())

输出：
3.3 预测
# 先增加后几个月的时间日期，进行合并
date_list = [datetime(2014, 8, 31), datetime(2014, 9, 30), datetime(2014, 10, 31),
             datetime(2014, 11, 30), datetime(2014, 12, 31), 
             datetime(2015, 1, 31)]
df_Month = df_Month[['销售金额']]
future = pd.DataFrame(index=date_list, columns= df_Month.columns)
df_Month = pd.concat([df_Month, future])
df_Month
输出：
进行预测，可视化df_Month['forecast'] = best_model.predict(start=0, end=58)
plt.figure(figsize=(20, 7))
df_Month['销售金额'].plot(label='实际销售金额')
df_Month['forecast'].plot(color='r', ls='--', label='预测销售金额')
plt.legend()
plt.show()

公众号推荐：数据思践

数据思践公众号记录和分享数据人思考和践行的内容与故事。

《数据科学与人工智能》公众号推荐朋友们学习和使用Python语言，需要加入Python语言群的，请扫码加我个人微信，备注【姓名-Python群】，我诚邀你入群，大家学习和分享。

关于Python语言，有任何问题或者想法，请留言或者加群讨论。