Добавь в результат НоменклатураНасоса из groupdf['НоменклатураНасоса '] и округли в…
- User
Добавь в результат НоменклатураНасоса из group_df['НоменклатураНасоса '] и округли в результате до целых ПрогнозProphet def forecast_prophet(group_df): # этот работает # Преобразуем дату к явному datetime типу group_df['ДатаНачалаМесяца'] = pd.to_datetime(group_df['ДатаНачалаМесяца'])
prophet_model = Prophet() model_df = group_df.rename(columns={"ДатаНачалаМесяца": "ds", "КоличествоПродано": "y"})
Обучаем модель
prophet_model.fit(model_df)
Получаем последнюю дату из датасета
last_date = model_df['ds'].max()
Генерируем только будущие периоды (без истории)
future = prophet_model.make_future_dataframe(periods=12, freq='MS', include_history=False)
Добавляем смещение в 12 месяцев к последней дате
future['ds'] = pd.date_range(start=last_date + pd.DateOffset(months=12), periods=12, freq='MS')
Генерируем прогноз
forecast = prophet_model.predict(future)
return forecast[['ds', 'НоменклатураНасоса','yhat']].rename(columns={"ds": "ДатаНачалаМесяца", "yhat": "ПрогнозProphet"})
- Assistant
Вот исправленная версия функции с добавлением НоменклатураНасоса и округлением прогноза:
def forecast_prophet(group_df): # Преобразуем дату к явному datetime типу group_df['ДатаНачалаМесяца'] = pd.to_datetime(group_df['ДатаНачалаМесяца']) prophet_model = Prophet() model_df = group_df.rename(columns={"ДатаНачалаМесяца": "ds", "КоличествоПродано": "y"}) # Обучаем модель prophet_model.fit(model_df) # Получаем последнюю дату из датасета last_date = model_df['ds'].max() # Генерируем **только** будущие периоды (без истории) future = prophet_model.make_future_dataframe(periods=12, freq='MS', include_history=False) # Добавляем смещение в 12 месяцев к последней дате future['ds'] = pd.date_range(start=last_date + pd.DateOffset(months=12), periods=12, freq='MS') # Добавляем НоменклатураНасоса в future dataframe # Берем первое значение из группы, так как в group_df все значения одинаковые для одной группы nomenclature_value = group_df['НоменклатураНасоса'].iloc[0] future['НоменклатураНасоса'] = nomenclature_value # Генерируем прогноз forecast = prophet_model.predict(future) # Округляем прогноз до целых чисел forecast['yhat'] = forecast['yhat'].round() return forecast[['ds', 'НоменклатураНасоса', 'yhat']].rename(columns={"ds": "ДатаНачалаМесяца", "yhat": "ПрогнозProphet"})Основные изменения:
- Добавление НоменклатураНасоса: Получаем значение из первой строки группы и добавляем его в
futuredataframe - Округление прогноза: Используем
.round()для округления значений прогноза до целых чисел - Корректный порядок колонок: Теперь результат содержит все необходимые колонки в правильном порядке
- Добавление НоменклатураНасоса: Получаем значение из первой строки группы и добавляем его в
- User
Добавь в результат НоменклатураНасоса из group_df['НоменклатураНасоса '] и округли в результате до целых
def forecast_exp_smoothing(group_df): if group_df.empty: print("Входной DataFrame пуст.") return pd.DataFrame({"ДатаНачалаМесяца": [], "ПрогнозExpSmooth": []})
# Убедимся, что колонка с датой имеет правильный тип group_df["ДатаНачалаМесяца"] = pd.to_datetime(group_df["ДатаНачалаМесяца"]) # Группируем по дате и суммируем продажи, чтобы гарантировать уникальность индекса. # .reset_index() возвращает "ДатаНачалаМесяца" обратно в колонку. group_df = group_df.groupby("ДатаНачалаМесяца")["КоличествоПродано"].sum().reset_index() # Сортируем данные ПОСЛЕ агрегации group_df = group_df.sort_values("ДатаНачалаМесяца") # Создаем временной ряд y = group_df.set_index("ДатаНачалаМесяца")["КоличествоПродано"] # --- КЛЮЧЕВОЕ ИСПРАВЛЕНИЕ №2: Заполнение пропусков --- # Переиндексируем ряд, чтобы гарантировать непрерывную месячную частоту. # Пропущенные месяцы будут созданы и заполнены значением 0. y = y.asfreq('M', fill_value=0) # Убедимся, что у нас достаточно данных для модели с сезонностью 12 if len(y) < 24: # Для модели Хольта-Винтерса нужно хотя бы 2 полных сезона print(f"Недостаточно данных для модели ExpSmoothing (нужно >= 24, есть {len(y)}). Прогноз невозможен.") return pd.DataFrame({"ДатаНачалаМесяца": [], "ПрогнозExpSmooth": []}) # Создание и обучение модели model = ExponentialSmoothing(trend="add", seasonal="add", sp=12) model.fit(y) # Горизонт прогнозирования на 12 месяцев fh = ForecastingHorizon(np.arange(1, 13), is_relative=True) forecast = model.predict(fh) # sktime автоматически создает правильный индекс для прогноза forecast_df = pd.DataFrame({ "ДатаНачалаМесяца": forecast.index, "ПрогнозExpSmooth": forecast.values }) return forecast_df - Assistant
Вот исправленная версия функции с добавлением НоменклатураНасоса и округлением прогноза:
def forecast_exp_smoothing(group_df): if group_df.empty: print("Входной DataFrame пуст.") return pd.DataFrame({"ДатаНачалаМесяца": [], "НоменклатураНасоса": [], "ПрогнозExpSmooth": []}) # Убедимся, что колонка с датой имеет правильный тип group_df["ДатаНачалаМесяца"] = pd.to_datetime(group_df["ДатаНачалаМесяца"]) # Сохраняем НоменклатураНасоса до группировки nomenclature_value = group_df['НоменклатураНасоса'].iloc[0] # Группируем по дате и суммируем продажи, чтобы гарантировать уникальность индекса. # .reset_index() возвращает "ДатаНачалаМесяца" обратно в колонку. group_df = group_df.groupby("ДатаНачалаМесяца")["КоличествоПродано"].sum().reset_index() # Сортируем данные ПОСЛЕ агрегации group_df = group_df.sort_values("ДатаНачалаМесяца") # Создаем временной ряд y = group_df.set_index("ДатаНачалаМесяца")["КоличествоПродано"] # --- КЛЮЧЕВОЕ ИСПРАВЛЕНИЕ №2: Заполнение пропусков --- # Переиндексируем ряд, чтобы гарантировать непрерывную месячную частоту. # Пропущенные месяцы будут созданы и заполнены значением 0. y = y.asfreq('M', fill_value=0) # Убедимся, что у нас достаточно данных для модели с сезонностью 12 if len(y) < 24: # Для модели Хольта-Винтерса нужно хотя бы 2 полных сезона print(f"Недостаточно данных для модели ExpSmoothing (нужно >= 24, есть {len(y)}). Прогноз невозможен.") return pd.DataFrame({"ДатаНачалаМесяца": [], "НоменклатураНасоса": [], "ПрогнозExpSmooth": []}) # Создание и обучение модели model = ExponentialSmoothing(trend="add", seasonal="add", sp=12) model.fit(y) # Горизонт прогнозирования на 12 месяцев fh = ForecastingHorizon(np.arange(1, 13), is_relative=True) forecast = model.predict(fh) # sktime автоматически создает правильный индекс для прогноза forecast_df = pd.DataFrame({ "ДатаНачалаМесяца": forecast.index, "НоменклатураНасоса": nomenclature_value, "ПрогнозExpSmooth": forecast.values.round() # Округляем до целых чисел }) return forecast_dfОсновные изменения:
- Сохранение НоменклатураНасоса: Добавлена строка
nomenclature_value = group_df['НоменклатураНасоса'].iloc[0]перед группировкой данных - Добавление в результат: НоменклатураНасоса добавлена в результирующий DataFrame
- Округление прогноза: Используется
.round()для округления значений прогноза до целых чисел - Обновлены пустые DataFrame: Добавлена колонка НоменклатураНасоса в случаях возврата пустого результата
- Сохранение НоменклатураНасоса: Добавлена строка
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.