我想创建一个模型，在每个步骤中预测每个产品在数周内的未来需求（预测每个产品明年的每周需求）
我有一些小尺寸（大约 100-200 条记录）csv。
这里有关 CSV 列的信息：- 第一列 makeId 代表产品的 id。 第二列 areaId 表示产品销售地点的内部 ID。 第三列日期代表mm/dd/yyyy格式的日期。 第四列数量表示给定区域在给定周内对给定产品的需求。
示例文件 1-
示例文件 2-
示例文件 3-
我想过使用 Arima 模型，但我对如何将数据转换为每周格式并使用它来预测每个 make id 有点困惑。
任何建议都会有所帮助，因为我是时间序列问题的新手
【问题讨论】：
标签： python machine-learning deep-learning data-science
注意：快速浏览一下您的示例，您似乎已经有了每周数据。如果这不是真的，或者您只是希望将数据框设置为能够使用 ARIMA 模型，则以下答案将有所帮助。
您的问题的快速回答是：使用pandas 包将您的数据读入/操作到dataframe 对象中，然后使用.resample() 每周频率的方法，例如：.resample('W')。
更多细节：
对于时间序列分析，大多数应用程序都会受益于将数据索引设置为时间变量。在您的情况下，您可以在使用pandas 读取数据时执行此操作：
import pandas as pd
df = pd.read_csv('/path/to/your_data.csv', parse_dates=['date'], index_col='date')
如果您无法读取它，并且需要更改数据框，您可以这样做：
df = df.set_index('date')
这假定date 列已正确设置为日期时间对象。
下一步是对数据进行重新采样，以便您获得一个新值来捕捉数据中的每周活动。这需要选择一种方法来组合 Amount 字段中的数据，因为您希望显示一个可能组合多天的值的值。在这里，我将选择mean()，以便新值是该周中存在的那些天的数据的平均值。
df['Amount_weekly'] = df['Amount'].resample('W', how='mean')
由于您正在聚合数据，该函数返回一个新系列，因此我将这个新系列放入您的df 的一个新列中，即df['Amount_weekly']。
因此，您将拥有一个时间序列索引数据框，其中有一列显示每周重新采样的数据。这将是在 statsmodels. 等包中的 ARIMA 模型中使用的适当格式
【讨论】：