本文是對：

https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/

https://blog.csdn.net/iyangdi/article/details/77853279

兩篇博文的學習筆記，兩個博主筆風都很浪，有些細節一筆帶過，本人以謙遜的態度進行了學習和整理，筆記內容都在程式碼的註釋中。有不清楚的可以去原博主文中檢視。

資料集下載：https://datamarket.com/data/set/22r0/sales-of-shampoo-over-a-three-year-period

後期我會補上我的github

1、時間序列轉監督學習資料

什麼是監督資料，監督資料就是每次連結串列頭砍掉一個，連結串列尾巴上加一個，就好像監督你的一舉一動，這就是監督資料

# coding=utf-8
from pandas import read_csv
from pandas import datetime
from pandas import DataFrame
from pandas import concat


# load data
def parser(x):
    return datetime.strptime(x, '%Y/%m/%d')


series = read_csv("data_set\shampoo-sales.csv", header=0, parse_dates=[0], index_col=0, squeeze=True,
                  date_parser=parser)

'''                     
將資料轉換成有監督資料  
即包含input output      
訓練的目的就是找到訓練資料input和output的關係                                                                           
此處的input是t時間步的資料，output為t+1時間步的資料                                                                     
具體實現就是將整體的時間資料向後滑動一格，和原始資料拼接，就是有監督的資料                                              
'''


#這個函式說了一大堆，簡單說就是把data陣列重新構造成兩兩一組的二維陣列，每個資料對格式是[0,n],[n,n+1],[n+1,n+2],第一組資料用0補全，即為[0,n]，這就是所謂的監督學習資料
def timeseries_to_supervised(data, lag=1):  # lag表示的是當前的值只與歷史lag個時間步長的值有關，也就是用lag個數據預測下一個
    df = DataFrame(data)
    colums = [df.shift(i) for i in range(1, lag + 1)]  # 原始資料時間窗向後移動lag步長
    colums.append(df)  # 拼接資料
    df = concat(colums, axis=1)  # 橫向拼接重塑資料，格式:input putput
    df.fillna(0, inplace=True)  # 由於資料整體向後滑動lag後，前面的lag個數據是Na形式，用0來填充
    return df


X = series.values
supervised = timeseries_to_supervised(X, 1)
print(supervised.head())
 

2、時間序列轉換成穩定資料

什麼是穩定資料，就是化整為零，10001,10002,10003.。。變成1,2,3，這就叫穩定資料，消除了一些不必要的資料影響

# coding=utf-8
from pandas import read_csv
from pandas import datetime
from pandas import Series


# load data
def parser(x):
    return datetime.strptime(x, '%Y/%m/%d')


series = read_csv('data_set/shampoo-sales.csv', header=0, parse_dates=[0], index_col=0, squeeze=True,
                  date_parser=parser)

# 所謂的差分，就是相鄰的兩個數相減，求得兩個數之間的差，，一兩個數之間的差作為一個數組，這樣的陣列體現了相鄰兩個數的變化情況
# 所謂的去趨勢也就是一個說法而已，可以忽略
# 做差分，去趨勢，獲得差分序列
def difference(dataset, interval=1):
    diff = list()
    for i in range(interval, len(dataset)):
        value = dataset[i] - dataset[i - interval]  # 當前時間步t的值減去時間步t-interval的值
        diff.append(value)
    return Series(diff)#Series這個方法是把一個數組建立起一個一一對應的索引，參考：https://blog.csdn.net/brucewong0516/article/details/79196902


# 這就是反過來算一遍，拿治最後一個數減去差分的數，就還原回原來的陣列了，總的來說這個例子沒什麼卵用
# 將預測值進行逆處理，得到真實的銷售預測
def inverse_difference(history, yhat, interval=1):  # 歷史資料，預測資料，差分間隔
    return yhat + history[-interval]


# 資料處理

# 將資料轉換成穩定的
differenced = difference(series, 1)
print(differenced.head())

# 逆處理，從差分逆轉得到真實值
inverted = list()
for i in range(len(differenced)):
    value = inverse_difference(series, differenced[i], len(series) - i)
    inverted.append(value)
inverted = Series(inverted)
print(inverted.head())
 

3、觀測值縮放

所謂觀測縮放就是資料的歸一化，雜七雜八的資料全變成[-1,1]區間的資料就行了，便於資料分析

# coding=utf-8
from pandas import read_csv
from pandas import datetime
from pandas import Series
from sklearn.preprocessing import MinMaxScaler


# load data
def parser(x):
    return datetime.strptime(x, '%Y/%m/%d')


series = read_csv('data_set/shampoo-sales.csv', header=0, parse_dates=[0], index_col=0, squeeze=True,
                  date_parser=parser)
print (series.head())

# 所謂縮放，就是把一組陣列中的數字都變成[-1,1]範圍的數字，取陣列中最大的那個陣列，令其為1,最小的數字，令其為-1，
# 剩下的數字根據比例關係，在[-1,1]中給其找一個對應值
# 縮放
X = series.values
X = X.reshape(len(X), 1)  # MinMaxScaler函式需要矩陣作為輸入，所以reshape資料為矩陣，因為是一維陣列，所以生成的是n行1列的一個矩陣
scaler = MinMaxScaler(feature_range=(-1, 1))  # 定義縮放範圍，-1,1是資料縮放的範圍
scaler = scaler.fit(X)  # 呼叫縮放資料的fun
scalered_X = scaler.transform(X)#轉換成一個[-1,1]區間的矩陣
scalered_series = Series(scalered_X[:, 0])#把矩陣序列化成列表
print (scalered_series.head())

# 逆縮放，反著來一遍，轉換回去
inverted_X = scaler.inverse_transform(scalered_X)#把數值為[-1,1]之間的矩陣轉換成正常資料的矩陣
inverted_series = Series(inverted_X[:, 0])#把矩陣轉換成列表
print (inverted_series.head())

本屆基本上就是教你如何對資料進行一些簡單的預處理，用的基本是panda類庫的東西，很簡單，不想手動實現沒關係，看看我新增的註釋就好