例子代码
https://github.com/lilihongjava/prophet_demo/tree/master/outliers
# encoding: utf-8
"""
@author: lee
@time: 2019/8/8 9:35
@file: main.py
@desc:
"""
from fbprophet import Prophet
import pandas as pd
def main():
df = pd.read_csv('./data/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)
fig.show()
df.loc[(df['ds'] > '2010-01-01') & (df['ds'] < '2011-01-01'), 'y'] = None
model = Prophet().fit(df)
fig = model.plot(model.predict(future))
fig.show()
df = pd.read_csv('./data/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)
fig.show()
df.loc[(df['ds'] > '2015-06-01') & (df['ds'] < '2015-06-30'), 'y'] = None
m = Prophet().fit(df)
fig = m.plot(m.predict(future))
fig.show()
if __name__ == "__main__":
main()
异常值有两种主要方式可以影响prophet的预测。以下，我们对之前例子中记录维基百科中R语言页面访问数的数据进行预测，但是我们造了一段问题数据(2010-01到2010-05都是5，2010-06到2011-01都是8，2010-06-01为6.76272950693188)：
df = pd.read_csv('./data/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)
趋势预测看似合理，但不确定性区间似乎过于宽泛。Prophet能够处理历史数据中的异常值，但只能通过趋势变化来拟合它们。不确定性模型预计未来趋势变化的幅度与历史是相似的。
处理异常值的最佳方法是删除它们 - prophet对丢失数据是不影响的。如果将历史数据的值设置NA为但在future里保留对应的日期，则Prophet将能提供其值的预测。
df.loc[(df['ds'] > '2010-01-01') & (df['ds'] < '2011-01-01'), 'y'] = None
model = Prophet().fit(df)
fig = model.plot(model.predict(future))
在上面的例子中，异常值扰乱了不确定性估计，但没有影响预测值yhat。情况并非总是如此，例如在以下示例中添加了异常值：
df = pd.read_csv('./data/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) 
此例中，在2015年6月造了一组极端异常值的数据来扰乱季节性估计，因此它们将影响到预测的值。和上个例子一样，正确的方法是删除它们：
df.loc[(df['ds'] > '2015-06-01') & (df['ds'] < '2015-06-30'), 'y'] = None
m = Prophet().fit(df)
fig = m.plot(m.predict(future))
扫描二维码关注公众号，回复：
11299634 查看本文章
参考资料：