Wie Reihen Datenrahmen konvertieren und auto.arima auf jede Zeile anwenden

Question

Ich habe folgende df:

head(customerdata) 
    Customer.ID Week1 Week2 Week3 week4 week5 week6 week7 week8 
1   C1 420 423 481 421 393 419 415 440 
2   C2 1325 1262 1376 1370 1484 1421 1287 1400 
3   C3 547 541 547 550 570 576 556 587 
4   C4 349 349 375 346 374 379 433 376 
5   C5 721 714 758 716 833 735 711 731 
6   C6 420 423 481 421 393 419 415 440 

Ich brauche ierow in einer Zeitreihe Objekt für jeden Kunden-ID konvertieren und Wenden Sie dann auto.arima auf jede Zeile an und erstellen Sie Prognosen.

Ich versuchte fn mit anwenden:

apply(customerdata,1,as.ts) 

Aber diese funktioniert nicht richtig.

Es gibt auch einen Weg, wo ich ordentliche Pakete wie purrr usw. verwenden kann, um jede Zeile in ts Objekt zu konvertieren, dann auto.arima mit map fn anzuwenden, dann Fehlerstatistiken wie MAPE und auch Punkte in einer Vorhersage zu extrahieren. Rahmen.

Hilfe würde geschätzt werden !!

Answer 1

Hier ist, wie Sie es mit list-Spalten in tidyverse

library(dplyr) 
library(tidyr) 
library(purrr) 
library(zoo) 
library(forecast) 

start_date <-ymd(20171225) 
holdout <- 3 

customerdata %>% gather(key, value, -Customer.ID) %>% 
    mutate(key=as.numeric(str_replace(key, "[W|w]eek", ""))) %>% 
    mutate(Date=start_date + weeks(key)) %>% 
    select(Customer.ID, Date, Value=value) %>% 
    group_by(Customer.ID) %>% nest() %>% 
    mutate(zoo_obj=map(data, ~with(.x, zoo(Value, Date))), 
     arima_oof_mod=map(zoo_obj, ~auto.arima(head(.x, length(.x)-holdout))), 
     arima_fcst=map(arima_oof_mod, forecast, holdout), 
     holdout=map(zoo_obj, tail, holdout), 
     metrics=map2(arima_fcst, holdout, ~accuracy(.x,.y)), 
     metrics=map(metrics, ~{as.data.frame(.x) %>% tibble::rownames_to_column()})) %>% 
    unnest(metrics) 

#> # A tibble: 12 x 9 
#> Customer.ID  rowname   ME  RMSE  MAE   MPE  MAPE  MASE  ACF1 
#>   <fctr>  <chr>   <dbl>  <dbl> <dbl>  <dbl> <dbl>  <dbl>  <dbl> 
#> 1   C1 Training set 9.095016e-14 28.883213 21.36000 -0.43337807 4.874127 0.04995323 -0.08025508 
#> 2   C1  Test set -2.933333e+00 11.350184 11.20000 -0.75682291 2.635611 0.02619270   NA 
#> 3   C2 Training set -9.095086e-14 72.805494 55.92000 -0.28176887 4.091423 0.04101511 0.13187992 
#> 4   C2  Test set 5.933333e+00 59.144681 56.86667 0.24382775 4.201352 0.04170945   NA 
#> 5   C3 Training set 1.136868e-13 9.939819 7.60000 -0.03188731 1.365221 0.01379310 0.13157895 
#> 6   C3  Test set 2.200000e+01 25.468935 22.00000 3.79081247 3.790812 0.03992740   NA 
#> 7   C4 Training set 3.410570e-14 13.032268 12.72000 -0.13041415 3.526806 0.03547128 -0.54870466 
#> 8   C4  Test set 3.740000e+01 45.659172 37.40000 9.06423112 9.064231 0.10429448   NA 
#> 9   C5 Training set -9.095086e-14 45.239805 37.68000 -0.34415821 4.913179 0.05034741 -0.23841614 
#> 10   C5  Test set -2.273333e+01 25.040501 22.73333 -3.15454237 3.154542 0.03037591   NA 
#> 11   C6 Training set 9.095016e-14 28.883213 21.36000 -0.43337807 4.874127 0.04995323 -0.08025508 
#> 12   C6  Test set -2.933333e+00 11.350184 11.20000 -0.75682291 2.635611 0.02619270   NA 

Answer 2

Es ist nicht notwendig, jede Zeile in ein ts Objekt zu konvertieren. Sie können auto.arima in jeder Zeile ausführen, aber achten Sie darauf, Ihre erste Spalte auszuschließen.

library(forecast) 
arima_models <- apply(customerdata[, -1], 1, auto.arima) 

Sie könnten dann den folgenden Code ausführen für jedes Modell

model_forecasts <- lapply(arima_models, function(x) forecast(x, h = 1)) 

Um den Punkt zu extrahieren prognostiziert Sie

können

library(purrr) 
map_dbl(model_forecasts, "mean") 
#  1  2  3  4  5  6 
# 426.500 1365.625 587.000 372.625 739.875 426.500 

Oder wenn purrr::map_* einen Ein-Schritt voraus Prognose zu erhalten Sie setzen h> 1 in forecast dann verwenden Sie

map_dfr(model_forecasts, "mean") 

Um die MAPE zu berechnen, brauchen Sie natürlich das wahre Ergebnis.

Daten

customerdata <- read.table(text = "Customer.ID Week1 Week2 Week3 week4 week5 week6 week7 week8 
1   C1 420 423 481 421 393 419 415 440 
2   C2 1325 1262 1376 1370 1484 1421 1287 1400 
3   C3 547 541 547 550 570 576 556 587 
4   C4 349 349 375 346 374 379 433 376 
5   C5 721 714 758 716 833 735 711 731 
6   C6 420 423 481 421 393 419 415 440", header = TRUE)