Untitled conversation
- User
import pytrends from pytrends.request import TrendReq import pandas as pd import numpy as np from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler import matplotlib.pyplot as plt # 1. Сбор данных pytrends = TrendReq(hl='en-US', tz=360) kw_list = ["samp"] # Замените на ваши ключевые слова # Измените временной период для увеличения данных pytrends.build_payload(kw_list, cat=0, timeframe='today 5-y', geo='', gprop='') data = pytrends.interest_over_time() # Проверка на наличие данных if 'isPartial' in data.columns: data = data.drop(columns='isPartial') # Удаление ненужных колонок data.fillna(method='ffill', inplace=True) # Заполнение пропусков # 2. Обработка данных # Преобразование данных в массив data = data.values.reshape(-1, 1) # Разделение данных на обучающую и тестовую выборки train_data = data[:-12] # Обучающая выборка test_data = data[-12:] # Тестовая выборка # Нормализация данных scaler = MinMaxScaler(feature_range=(0, 1)) train_data = scaler.fit_transform(train_data) # Убедитесь, что данных достаточно для использования выбранного размера окна window_size = 60 # Вы можете уменьшить это значение, если данных мало # Подготовка данных для LSTM X_train, y_train = [], [] for i in range(window_size, len(train_data)): X_train.append(train_data[i-window_size:i, 0]) y_train.append(train_data[i, 0]) # Убедитесь, что X_train и y_train не пусты if len(X_train) == 0 or len(y_train) == 0: raise ValueError("Недостаточно данных для определения выборок на основе текущих настроек окна.") X_train, y_train = np.array(X_train), np.array(y_train) # Изменение формы данных для LSTM X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1)) # 3. Моделирование # Создание модели LSTM model = Sequential() model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1))) model.add(LSTM(units=50)) model.add(Dense(units=1)) # Компиляция и обучение модели model.compile(optimizer='adam', loss='mean_squared_error') model.fit(X_train, y_train, epochs=100, batch_size=32) # 4. Анализ и интерпретация # Прогнозирование на тренировочных данных predicted_data = model.predict(X_train) predicted_data = scaler.inverse_transform(predicted_data) # 5. Визуализация данных plt.plot(data, color='blue', label='Actual Data') plt.plot(np.arange(window_size, window_size+len(predicted_data)), predicted_data, color='red', label='Predicted Data') plt.title('Trend Prediction') plt.xlabel('Time') plt.ylabel('Interest') plt.legend() plt.show()Как прописать несколько тем? кроме samp
- Assistant
Чтобы проанализировать несколько ключевых слов с использованием библиотеки
pytrends, нужно изменить список ключевых словkw_list, передаваемый методуbuild_payload. Ниже приведен пример кода, в котором используется несколько ключевых слов:# Импорт необходимых библиотек import pytrends from pytrends.request import TrendReq import pandas as pd # Инициализация Pytrends pytrends = TrendReq(hl='en-US', tz=360) # Список ключевых слов kw_list = ["samp", "keyword1", "keyword2"] # Замените keyword1 и keyword2 вашими ключевыми словами # Загрузка данных для нескольких ключевых слов pytrends.build_payload(kw_list, cat=0, timeframe='today 5-y', geo='', gprop='') data = pytrends.interest_over_time() # Проверка на наличие данных if 'isPartial' in data.columns: data = data.drop(columns='isPartial') # Удаление ненужных колонок data.fillna(method='ffill', inplace=True) # Заполнение пропусков # Отображение данных print(data.head())В этой части кода мы просто добавляем несколько ключевых слов в список
kw_list. Pytrends автоматически загрузит данные для всех указанных ключевых слов. Вы можете затем проанализировать и использовать данные каждого ключевого слова как вам нужно для последующего обучения или визуализации.Учтите, что для построения и обучения модели LSTM вашему коду потребуется отдельная обработка и моделирование для каждого ключевого слова. Возможно, вам придется адаптировать код, чтобы учитывать несколько наборов данных, связанных с несколькими ключевыми словами. Это может включать визуализацию предсказаний для каждого ключевого слова отдельно или создание совокупной модели, которая учитывает все данные.
- User
Пропиши там 100 разных трендовых тем
- Assistant
Создание списка из 100 трендовых тем для использования с
pytrendsможет быть сложной задачей без конкретного набора данных или предварительного исследования текущих интересов. Тем не менее, для примера я могу предоставить список из 100 относительно популярных или общих тем. Имейте в виду, что некоторые из них могут не иметь достаточного объема данных, и список может потребовать корректировки на основе вашей потребности:kw_list = [ "technology", "bitcoin", "climate change", "healthy food", "yoga", "startup", "cryptocurrency", "artificial intelligence", "electric vehicle", "work from home", "mental health", "renewable energy", "fitness", "remote learning", "5G", "blockchain", "meditation", "sustainable living", "smart home", "machine learning", "photography", "travel", "digital marketing", "E-learning", "vegan recipes", "virtual reality", "augmented reality", "big data", "internet of things", "cybersecurity", "self-driving cars", "smartphones", "online shopping", "influencer marketing", "social media", "podcasting", "e-commerce", "cloud computing", "fintech", "robotics", "virtual events", "gaming", "streaming services", "online education", "biohacking", "biotechnology", "personal finance", "stock market", "cryptocurrency trading", "bitcoin mining", "urban farming", "sustainable fashion", "zero waste", "mindfulness", "telemedicine", "wearable technology", "electric bikes", "green technology", "online dating", "video conferencing", "plant-based diet", "remote work", "digital health", "space exploration", "nanotechnology", "clean energy", "home automation", "mobile apps", "online communities", "renewable resources", "gene editing", "quantum computing", "3D printing", "drones", "fitness apps", "work-life balance", "personal development", "crowdfunding", "music streaming", "anti-aging", "fitness tracking", "alternative medicine", "astrophysics", "luxury travel", "road trips", "smart cities", "home renovation", "luxury fashion", "wildlife conservation", "virtual assistant", "AI companions", "collaborative tools", "educational apps", "mental wellness", ] # Инициализация Pytrends и запрос pytrends = TrendReq(hl='en-US', tz=360) pytrends.build_payload(kw_list, cat=0, timeframe='today 5-y', geo='', gprop='') try: data = pytrends.interest_over_time() # Проверка на наличие данных if 'isPartial' in data.columns: data = data.drop(columns='isPartial') # Удаление ненужных колонок data.fillna(method='ffill', inplace=True) # Заполнение пропусков # Отображение данных print(data.head()) except Exception as e: print(f"Произошла ошибка при запросе данных: {e}")Этот скрипт должен получить данные по всем указанным словам. Однако имейте в виду, что некоторые темы могут вернуть нулевые или неполные данные, в зависимости от их популярности или вашего региона. Если вы столкнетесь с ограничениями API или проблемами с данными, попробуйте сократить список ключевых слов до меньшего количества и прогоняйте их по очереди.