Prophet预测需严格规范数据格式与预处理：ds列必须为datetime类型、y列为数值型，缺失/异常值须清洗；节假日需手动定义；小样本应关闭年季节性，高频数据需开启周季节性并调参；预测后须检验残差分布与拐点合理性。
Prophet 能快速搭建销售趋势预测模型，但前提是数据格式严格符合要求，且时间序列不能有太多缺失或异常点——否则预测结果会明显漂移，不是模型不行，是输入没清理干净。
确保输入 DataFrame 有且仅有 ds 和 y 两列
Prophet 不接受任意列名或索引时间。它硬性要求时间列叫 ds（必须是 datetime 类型），数值列叫 y（必须是 float 或 int）。常见错误包括：
- 用
date或time当时间列名 → 模型直接报错KeyError: 'ds' -
ds列是字符串（如 "2023-01-01"）但未转为 datetime → 预测值全为 nan -
y列含空值、文本或无穷大 →ValueError: Input must be finite
实操建议：
df['ds'] = pd.to_datetime(df['date_column'])
df['y'] = pd.to_numeric(df['sales'], errors='coerce')
df = df.dropna(subset=['ds', 'y']).sort_values('ds').reset_index(drop=True)
处理销售数据中的节假日和促销突增
默认 Prophet 只建模年/周/日季节性，对“618”“双11”这类非固定日期的销售高峰完全无感。必须手动提供节假日列表，否则模型会把突增当作异常值过滤掉，导致后续预测低估峰值。
立即学习“Python免费学习笔记（深入）”；
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 节假日 DataFrame 必须含
holiday（字符串名）、ds（单天日期）、lower_window和upper_window（可选，用于包含前后几天影响） - 促销期建议设
lower_window=0,upper_window=2，覆盖活动当天+后两天返场 - 同一日期不能重复出现在多个 holiday 组里，否则训练会报
ValueError: Holidays must have unique names
示例：
holidays = pd.DataFrame({
'holiday': 'double11',
'ds': pd.to_datetime(['2023-11-11']),
'lower_window': 0,
'upper_window': 2
})
m = Prophet(holidays=holidays)
避免在小样本或高频销售数据上直接用默认参数
销售数据常有两类陷阱：一是月度汇总数据仅 12–24 条，二是分钟级 POS 流水达数万行。前者会导致 seasonality.prior.scale 过大而过拟合；后者会让 weekly.seasonality 自动关闭（因自动检测到周期不明显），实际却存在工作日效应。
- 少于 36 条记录时，显式关掉 yearly_seasonality：
Prophet(yearly_seasonality=False) - 高频数据（小时/分钟级）务必打开 weekly_seasonality：
Prophet(weekly_seasonality=True)，并检查m.seasonalities['weekly']的傅里叶阶数是否 ≥ 5 - 若销售长期为 0（如新品冷启动期），
changepoint_range建议缩小到 0.8，防止拐点被推到末尾失效
预测后务必检查残差分布和趋势变化点
调用 m.predict() 得到结果只是开始。真正决定能否上线的是 residual（forecast['yhat'] - forecast['y']）是否近似正态，以及 m.changepoints 是否落在真实业务调整节点（如渠道切换、价格改版）附近。
- 残差偏斜 > ±0.5 或标准差 > 均值 30%，说明基础趋势没拟合好，优先检查
ds时间连续性或加seasonality_mode='multiplicative' - changepoint 落在销售平稳段？大概率是噪声触发，用
n_changepoints=0强制关闭再对比 - 不要只看 MAPE —— 对低销量 SKU，0.1 单位误差就拉高百分比；改看绝对误差中位数（
median(abs(residual))）更稳
Prophet 的快，建立在你愿意花十分钟校验输入和残差的基础上。漏掉任意一环，模型跑得越快，线上偏差越隐蔽。
