为什么我的预测是NaN？

Question

我的问题很简单，我知道我遗漏了一些非常明显的东西，我就是不知道它是什么。。。。

我对霍尔特·温特斯的测试预测结果是南，我不知道为什么。有人能帮忙吗？

我正在使用Jupyter笔记本电脑，并试图使用霍尔特-温特斯方法预测一个SKU的销售额。我甚至用了

以下是我使用的代码：

# 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

有人能指出我可能遗漏了什么吗？这似乎是一个简单的问题和一个简单的解决方案，但它踢我的屁股。

谢谢

Answer 1

您的训练数据包含一些NaN，因此无法建模或预测。

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

检查数据框中是否有任何缺失值

df.isnull().sum()

在您的情况下，在训练模型之前需要进行缺失值处理。

Answer 2

答案与将seasonal_periods变量设置为12有关。如果更新为6，则预测会产生实际值。我不是指数平滑的统计专家，无法理解为什么会这样。