Python时间序列预测：用rpy2调用R的forecast包
1.问题描述
在时间序列预测上，R语言明显优于Python。
R中forecast包是很强大的时间序列预测包。例如forecast::nnetar，是用神经网络对时间序列进行回归预测的，python里确没有完全相同的函数来实现；R中的forecast::auto.arima感觉比Python的pyramid.auto_arima快得多。
借助rpy2包，Python可以调用R语言强大的时间序列预测API，可以方便的使用Python来进行时间序列预测。
2.安装rpy2
ubuntu安装是常规的安装方法：
sudo pip3 install rpy2
3.调用R函数
R forecast包里有很多函数，例如auto.arima()、ets()、tbats()等算法，都可以用下述的方法调用。
以R中的神经网络回归预测nnetar()为例，用Python调用它的步骤如下（假设时间序列是data，在python中它的类型是list,data=[data1,data2,data3,…]）
在R中用nnetar()的预测代码
library(‘forecast’)
#训练模型，注意此处data是R中的ts对象，需要用data=ts(data,frequency=T）转化一下,T为序列的周期。
data=ts(c(data1,data2,data3,...),freqency=T)
model=nnetar(data)
#下面的h是要预测的数据点的个数,假设为8
pred=forecast(model,h=8)
在python里的操作和上述步骤对应：
#导入rpy2包
import rpy2.robjects as robjects
#导入forecast包———rpy2里面，执行R语言的方法是 robjects.r('Rcode')
robjects.r('library(forecast)')
#下面的四行其实是将Python的list构造成R语言中需要的计算格式，R语言的输入是需要ts对象。
#R中的数组和Python的list不同，需要转化一下
#forecast(nnetar(ts(c(data1,data2,data3,...),frequency=T))）
str_list = ','.join([str(i) for i in data])
str_array = 'ts(c(' + str_list + '),frequency=%d)'%T
str_model = 'nnetar(%s)' % str_array
str_forcast = 'forecast(%s,h=%d)' % (str_model, h)
#调用上述的字符串，在R中计算
res = robjects.r(str_forcast)
#需要对R计算完成之后的返回的结果进行解析一下，见[说明1]
pred = list(res[-1])
[说明1]：上述的最后一步pred = list(res[-1])，需要说明的是，不同的预测算法，对于R预测完成后返回的对象，需要自己去探索解析一下，从中剥离出需要预测的值，有的可能是pred = list(res[-2])。例如有的算法，默认会返回预测值不同置信区间的上界、预测值的下界等多个值，因此需要去R中检查一下，自己需要的值（一般是预测值的均值）是哪一个。
4.总结
用Python调用R中forecast包的过程就是以下几步：
（1）用rpy2 导入forecast；
（2）把Python中的数据格式（一般是list）改造成R中可以执行的格式，得到一个可能较长的字符串；
（3）用rpy2执行上述字符串；
（4）对R计算完成之后的返回的对象进行解析，得到想要的预测值。