为什么我的预测预测显示为 NaN

Question

我的问题很简单，我知道我错过了一些非常明显的东西，我只是无法弄清楚它是什么......

我对Holt-Winters的测试预测是NaN，我不知道为什么。谁能帮忙？

我正在使用Jupyter Notebook，并尝试使用Holt-Winters方法预测一个SKU的销售。我什至使用

这是我使用的代码：

# Import the libraries needed to execute Holt-Winters
import pandas as pd
import numpy as np
%matplotlib inline
df = pd.read_csv('../Data/M1045_White.csv',index_col='Month',parse_dates=True)
# Set the month column as the index column
df.index.freq = 'MS'
df.index
df.head()
df.info()
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 48 entries, 2015-05-01 to 2019-04-01
Freq: MS
Data columns (total 7 columns):
Sales       48 non-null int64
EWMA12      48 non-null float64
SES12       47 non-null float64
DESadd12    47 non-null float64
DESmul12    47 non-null float64
TESadd12    48 non-null float64
TESmul12    12 non-null float64
dtypes: float64(6), int64(1)
memory usage: 3.0 KB
from statsmodels.tsa.holtwinters import SimpleExpSmoothing
# Train Test Split
train_data = df.iloc[:36] # Goes up to but not including 36
test_data = df.iloc[12:]
# Fit the Model
fitted_model = exponentialSmoothing(train_data['Sales'],trend='mul',seasonal='mul',seasonal_periods=12).fit()
test_predictions = fitted_model.forecast(12).rename('HW M1045 White Forecast')
test_predictions
Here is the output of my predictions:
2018-05-01   NaN
2018-06-01   NaN
2018-07-01   NaN
2018-08-01   NaN
2018-09-01   NaN
2018-10-01   NaN
2018-11-01   NaN
2018-12-01   NaN
2019-01-01   NaN
2019-02-01   NaN
2019-03-01   NaN
2019-04-01   NaN
Freq: MS, Name: HW M1045 White Forecast, dtype: float64

有人可以指出我可能错过了什么吗？这似乎是一个简单的问题，一个简单的解决方案，但它踢我的屁股。

谢谢！

Answer 1

答案与设置为 12 的seasonal_periods变量有关。如果将其更新为6则预测将生成实际值。我不是指数平滑的统计专家，无法理解为什么会这样。

Answer 2

原因：

您的训练数据包含一些 NaN，因此无法建模或预测。

请参阅每列的非空值计数，这是不一样的。

df.info()
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 48 entries, 2015-05-01 to 2019-04-01
Freq: MS
Data columns (total 7 columns):
Sales       48 non-null int64
EWMA12      48 non-null float64
SES12       47 non-null float64
DESadd12    47 non-null float64
DESmul12    47 non-null float64
TESadd12    48 non-null float64
TESmul12    12 non-null float64
dtypes: float64(6), int64(1)
memory usage: 3.0 KB

检查数据帧中是否有任何缺失值

df.isnull().sum()

溶液：

在你的例子中，在训练模型之前需要进行缺失值处理。

Answer 3

谢谢大家。我的但是有几个空白单元格，并且我的数据集中的 N/A 导致我的代码向我抛出此错误。我的错误是没有在数据清理方面做得更好。此外，我确保我的日期格式正确，销售数据应该是整数。